TensorFlow搭建神经网络(3)：占位操作与feed

最新推荐文章于 2021-06-02 09:58:06 发布

TENET_T

最新推荐文章于 2021-06-02 09:58:06 发布

阅读量209

点赞数

分类专栏： TensorFlow 文章标签： tensorflow 机器学习神经网络

本文链接：https://blog.csdn.net/TENET_T/article/details/110450469

版权

本文介绍了TensorFlow中的placeholder函数，它用于创建占位操作，允许在运行时动态输入数据。通过Session.run()的feed_dict参数传递字典，将值赋给这些占位符。这种机制解决了在静态图中为多种输入数据定义入口的问题，便于批量化数据处理。

摘要由CSDN通过智能技术生成

本节将再举一个构建+执行数据流图的完整流程的简单例子。

在上一节中我们已经清楚，在数据流图中的结点op代表的就是一次操作，这个操作可以是被封装好的函数。

比如在下面的代码中，tf.placeholder()这个函数就是一次操作，代表图中的一个结点。这个操作起到的作用是创建了占位符。

占位可以理解为在图书馆预约好了位子，但是这个位子暂时还没有人去坐，还是空的。所以对于x与y这两个空位的乘法tf.matmul()暂时也是不起作用的。

# 创建两个浮点数占位符
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
#增加一个矩阵乘法
result1 = tf.matmul(x,y)

placeholder函数占据的空位，将在会话session运行时填上。通过Session.run()的feed_dict参数，我们传进去一个字典，字典中需要给出每个用到placeholder的取值。

通俗来说这个字典里的key就是我们刚才预约好的空位子，value就是坐进位置里面的人。

sess1 = tf.Session()
# 传入x和y的值
print(sess1.run(result, feed_dict={x:[[1,0],[0,1]], y:[[2,3],[4,5]]}))

placeholder的目的是为了解决在

关注

专栏目录