TensorFlow 中的占位符

在 TensorFlow 中，占位符（placeholder）是一种特殊的节点，它允许我们向计算图中输入数据，并在运行过程中提供数据。占位符在神经网络、机器学习、深度学习的应用中非常常见。

创建占位符

我们可以通过 tf.placeholder() 函数创建占位符。该函数有两个参数：

• dtype：数据类型，如 tf.float32、tf.int32 等。若不指定，就会使用默认值 tf.float32。
• shape：数据的形状，如果不指定，那么默认为 None，表示可以接受任意形状。

import tensorflow as tf

# 创建一个float32类型的占位符
a = tf.placeholder(dtype=tf.float32, shape=[None, 5])

# 创建一个整型的占位符
b = tf.placeholder(dtype=tf.int32, shape=[None])

# 输出占位符的形状
print(a.shape)        # (None, 5)
print(b.shape)        # (None,)

我们还可以在创建占位符时给 name 参数传入一个名字，这样可以更好地管理 TensorFlow 的计算图。

# 创建带名字的占位符
c = tf.placeholder(dtype=tf.float32, shape=[None, 3], name='input_data')

# 输出占位符的名字
print(c.name)        # input_data:0

提供数据

在定义好占位符之后，我们需要在实际运行中提供数据。我们可以使用 feed_dict 参数向占位符中传入数据。

import numpy as np

sess = tf.Session()

# 定义一个计算图
x = tf.placeholder(dtype=tf.float32, shape=[None])
y = tf.square(x)
z = tf.reduce_sum(y)

# 计算 z 的值，需要提供 x 的值
result = sess.run(z, feed_dict={x: np.array([1, 2, 3, 4])})
print(result)        # 30.0

在运行计算图时，我们传入的数据可以是 NumPy 数组、Python 列表等等。注意，占位符的形状必须与传入数据的形状相同，否则会出现错误。

总结

占位符是 TensorFlow 中非常重要的概念，通过占位符，我们可以动态地输入数据，从而创建更加灵活、通用的计算图。当我们需要向计算图中输入数据时，占位符会是我们的好帮手。