Tensorflow中的placeholder和feed_dict的使用_python_ https://www.jb51.net/article/143407.htm

• TensorFlow 支持占位符placeholder。占位符并沒有初始值，它只會分配必要的內存。在會話中，占位符可以使用 feed_dict 饋送數據。
• feed_dict是一個字典，在字典中需要給出每一個用到的占位符的取值。

在訓練神經網絡時需要每次提供一個批量的訓練樣本，如果每次迭代選取的數據要通過常量表示，那么TensorFlow 的計算圖會非常大。因為每增加一個常量，TensorFlow 都會在計算圖中增加一個結點。所以說擁有幾百萬次迭代的神經網絡會擁有極其龐大的計算圖，而占位符卻可以解決這一點，它只會擁有占位符這一個結點。

TensorFlow占位符：tf.placeholder_w3cschool https://www.w3cschool.cn/tensorflow_python/tensorflow_python-w7yt2fwc.html

tf.placeholder 函數：

插入一個張量的占位符,這個張量將一直被提供.

placeholder(dtype, #數據類型。常用的是tf.float32,tf.float64等數值類型shape=None,#數據形狀。默認是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=None #名稱 )

注意：如果直接計算,該張量將產生一個錯誤,
其值必須使用 feed_dict 可選參數來進行 session . run()、Tensor.eval() 或 oper.run().

例如：

x = tf.placeholder(tf.float32, shape=(1024, 1024)) y = tf.matmul(x, x)with tf.Session() as sess:print(sess.run(y)) # ERROR: will fail because x was not fed.rand_array = np.random.rand(1024, 1024)print(sess.run(y, feed_dict={x: rand_array})) # Will succeed.

結果：
直接使用第一個print()，將會報錯。
注釋掉第一個print()，只使用第二個print()，可以得到輸出：

[[261.73425 255.55272 268.38885 ... 252.50725 255.53036 253.73174][259.19962 251.43718 262.5757 ... 250.7209 250.74828 246.13264][259.62115 258.0193 267.74112 ... 257.23807 256.81686 255.55588]...[251.76048 251.21404 260.04114 ... 247.14397 245.91084 252.86714][259.65738 265.2368 270.59677 ... 257.5804 258.19977 259.24487][267.98984 262.7721 274.996 ... 264.392 263.63516 255.82683]]

為什么要用placeholder？

Tensorflow的設計理念稱之為計算流圖，在編寫程序時，首先構筑整個系統的graph，代碼并不會直接生效，這一點和python的其他數值計算庫（如Numpy等）不同，graph為靜態的，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：避免反復地切換底層程序實際運行的上下文，tensorflow幫你優化整個系統的代碼。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，幫你優化整個session需要執行的代碼，還是很有優勢的。

所以placeholder()函數是在神經網絡構建graph的時候在模型中的占位，此時并沒有把要輸入的數據傳入模型，它只會分配必要的內存。等建立session，在會話中，運行模型的時候通過feed_dict()函數向占位符喂入數據。

placeholder有點像在定義函數的時候用到的參數。我們在寫函數內部代碼的時候，雖然用到了參數，但并不知道參數所代表的值。只有在調用函數的時候，我們才把具體的值傳遞給參數。

feed_dict() 函數

我們都知道feed_dict的作用：是給使用placeholder創建出來的tensor賦值。
剛學tensorflow的時候，以為feed_dict是和placeholder配對使用的。比如下面的代碼，說明了feed_dict的基本用法:

import tensorflow as tfa = tf.placeholder(dtype=tf.float32) b = tf.placeholder(dtype=tf.float32) c = tf.add(a, b)with tf.Session() as sess:print sess.run(c, feed_dict = {a: 1.0, b: 2.0})

其實feed_dict可以喂東西給其他tensor，不止placeholder這一種。例如，下面的代碼：

import tensorflow as tfa = tf.placeholder(dtype=tf.float32) b = tf.constant(2.0) c = tf.add(a, b)with tf.Session() as sess:print sess.run(c, feed_dict = {a: 1.0, b: 3.0})

運行的結果為4，這里利用feed_dict將3.0送給了tensor b。

總結一下，知道了這種原理，對于模型恢復的理解很有幫助。機器學習系統伴隨著tensor的流動（tensorflow的寓意即為此，神經網絡等等，其實就是tensor的線性變換和非線性激活），也許，我們只拿到了中間的tensor。
舉例而言，你在做圖片分類的工作，訓練過程中，graph的placeholder為任意size的像素矩陣，但當你恢復模型的時候，已經有預處理完的圖片像素tensor，這時就可以直接將其導入對應的tensor中即可，前提是知道對應的tensor的name或者符號，此時或許需要用到tf.get_tensor_by_name這個函數。feed_dict的靈活運用，也能反映出對graph思想理解。

原文：
https://blog.csdn.net/kdongyi/article/details/82343712
https://www.jianshu.com/p/ec261a65e3c9

總結

以上是生活随笔為你收集整理的【TensorFlow】占位符：tf.placeholder，与feed_dict的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。