placeholder

placeholder是占位符，在tensorflow里是代替数据的存在，在一开始用的时候，总是搞错，现在小结一下用法，主要是比较用了placeholder和没有用placeholder的区别

 

假设数据为 x_data，输出数据为 y_data，预测为y_pred

输入输出的placeholder分别为xs，xy

拟合函数为 

 

placeholder实际是就是用xs，yx代替原来的 x_data 和 y_label。

 

1. 在开始定义占位符

#####################################################################################
# 1. 定义placeholder
xs = tf.placeholder(shape=[None, 1], dtype=tf.float32, name='ph_data')
ys = tf.placeholder(shape=[None, 1], dtype=tf.float32, name='ph_label')
#####################################################################################

2. 预测数据的时候，需要把输入数据x_data，替换为placeholder，这时候预测的数据完全依赖于placeholder，如果不喂数据，是不会有结果的，原来直接用x_data算，是可以直接出数据的

#####################################################################################
# 2.输入数据替换成placeholder
y_pred = weight * xs + bias
#####################################################################################

weight 和 bias 是 tensorflow 类型的变量

3. 比较数据的时候，把输出 y_label 数据替换成 placeholder ，这很容易理解，因为 y_pred 已经依赖于placeholder了，所以输出也应该是palceholder，这样才能对应上

#####################################################################################
# 3.把输出真实值替换成placeholder
loss = tf.losses.mean_squared_error(y_pred, ys)
#####################################################################################

4. 在Session里，喂入数据

#####################################################################################
# 4. 给placeholder feed 数据，真实的输入与输出
sess.run(train_op, feed_dict={xs:x_data, ys:y_label})
        #####################################################################################