最近学习中碰到了以前学过的tf.placeholder()函数，特此记录。

tf.placeholder()函数作为一种占位符用于定义过程，可以理解为形参，在执行的时候再赋具体的值。

tf.placeholder(
dtype,
shape=None,
name=None
)


参数：

  • dtype：数据类型。常用的是tf.float32，tf.float64等数值类型
  • shape：数据形状。默认是None，就是一维值，也可以多维，比如：[None，3]，表示列是3，行不一定
  • name：名称

返回：

Tensor类型

此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值。

不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定。

这也是其命名的原因所在，仅仅作为一种占位符。

例子1：

import tensorflow as tf
import numpy as np

# 定义placeholder
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# 定义乘法运算
output = tf.multiply(input1, input2)

# 通过session执行乘法运行
with tf.Session() as sess:
# 执行时要传入placeholder的值
print sess.run(output, feed_dict = {input1:[7.], input2: [2.]})
> [14.]


例子2：

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)

with tf.Session() as sess:
#  print(sess.run(y))  # ERROR: 此处x还没有赋值.

rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.
> [[240.76114 244.46692 263.50317 ... 262.20663 263.7563  249.67624]
   [242.09816 253.64767 268.32532 ... 264.11237 260.7736  250.82085]
   [242.47516 245.25845 262.3011  ... 256.1698  254.3529  250.21765]
...
   [256.5986  265.0628  276.57742 ... 272.2212  277.17657 266.4881 ]
   [246.27658 250.78848 262.4334  ... 258.74762 259.81946 249.15094]
   [243.97534 254.9902  264.48654 ... 262.31183 260.91547 256.02576]]