tensorflow之tf.placeholder 与 tf.Variable区别对比

二者的主要区别在于

Variable：主要是用于训练变量之类的。比如我们经常使用的网络权重，偏置。 值得注意的是Variable在声明是必须赋予初始值。在训练过程中该值很可能会进行不断的加减操作变化。 名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值； placeholder:也是用于存储数据，但是主要用于feed_dict的配合，接收输入数据用于训练模型等。placeholder值在训练过程中会不断地被赋予新的值，用于批训练，基本上其值是不会轻易进行加减操作。

placeholder在命名时是不会需要赋予值得，其被赋予值得时间实在feed_dict时。其命名的原因所在，仅仅作为一种占位符；

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

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

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，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称。
案例：

tf.Variable ``` weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights')) biases = tf.Variable(tf.zeros ([hidden1_units]), name='biases') ```