Tensorflow中的placeholder和feed_dict的使用
TensorFlow 支持占位符placeholder。占位符并没有初始值，它只会分配必要的内存。在会话中，占位符可以使用 feed_dict 馈送数据。
feed_dict是一个字典，在字典中需要给出每一个用到的占位符的取值。
在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。
placeholder函数的定义为
tf.placeholder(dtype, shape=None, name=None)
参数：
dtype：数据类型。常用的是tf.int32，tf.float32，tf.float64，tf.string等数据类型。
shape：数据形状。默认是None，也就是一维值。
也可以表示多维，比如要表示2行3列则应设为[2, 3]。
形如[None, 3]表示列是3，行不定。
name：名称。
返回：Tensor类型
例1
import tensorflow as tf
x = tf.placeholder(tf.string)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Hello World'})
print(output)
运行结果：Hello World
例2
import tensorflow as tf
x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)
with tf.Session() as sess:
output = sess.run(x, feed_dict = {x :'Hello World', y:123, z:45.67})
print(output)
output = sess.run(y, feed_dict = {x :'Hello World', y:123, z:45.67})
print(output)
output = sess.run(z, feed_dict = {x :'Hello World', y:123, z:45.67})
print(output)
运行结果：
Hello Word
123
45.66999816894531
例3：
import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32, shape=(3, 3))
y = tf.matmul(x, x)
with tf.Session() as sess:
rand_array = np.random.rand(3, 3)
print(sess.run(y, feed_dict = {x: rand_array}))
运行结果：
[[0.62475741 0.40487182 0.5968855 ]
[0.17491265 0.08546661 0.23616122]
[0.53931886 0.24997233 0.56168258]]
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持【听图阁-专注于Python设计】。
