函數(shù)形式：
tf.placeholder(
? ? dtype,
? ? shape=None,
? ? name=None
)
參數(shù)：
dtype：數(shù)據(jù)類型。常用的是tf.float32,tf.float64等數(shù)值類型
shape：數(shù)據(jù)形狀。默認(rèn)是None，就是一維值，也可以是多維（比如[2,3], [None, 3]表示列是3，行不定）
name：名稱
為什么要用placeholder？
? ? ? ?Tensorflow的設(shè)計理念稱之為計算流圖，在編寫程序時，首先構(gòu)筑整個系統(tǒng)的graph，代碼并不會直接生效，這一點和python的其他數(shù)值計算庫（如Numpy等）不同，graph為靜態(tài)的，類似于docker中的鏡像。然后，在實際的運行時，啟動一個session，程序才會真正的運行。這樣做的好處就是：避免反復(fù)地切換底層程序?qū)嶋H運行的上下文，tensorflow幫你優(yōu)化整個系統(tǒng)的代碼。我們知道，很多python程序的底層為C語言或者其他語言，執(zhí)行一行腳本，就要切換一次，是有成本的，tensorflow通過計算流圖的方式，幫你優(yōu)化整個session需要執(zhí)行的代碼，還是很有優(yōu)勢的。

? ? ? ?所以placeholder()函數(shù)是在神經(jīng)網(wǎng)絡(luò)構(gòu)建graph的時候在模型中的占位，此時并沒有把要輸入的數(shù)據(jù)傳入模型，它只會分配必要的內(nèi)存。等建立session，在會話中，運行模型的時候通過feed_dict()函數(shù)向占位符喂入數(shù)據(jù)。

代碼示例：
import tensorflow as tf
import numpy as np

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

output = tf.multiply(input1, input2)

with tf.Session() as sess:
print sess.run(output, feed_dict = {input1:[3.], input2: [4.]})

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:此處x還沒有賦值
rand_array = np.random.rand(1024, 1024)
print(sess.run(y, feed_dict={x: rand_array}))
?

參考資料：https://www.jianshu.com/p/ec261a65e3c9
---------------------
作者：清晨的光明
來源：CSDN
原文：https://blog.csdn.net/kdongyi/article/details/82343712
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請附上博文鏈接！

總結(jié)

以上是生活随笔為你收集整理的tf.placeholder函数说明的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。