【TensorFlow】占位符：tf.placeholder，与feed_dict

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。占位符并没有初始值，它只会分配必要的内存。在会话中，占位符可以使用 feed_dict 馈送数据。
• feed_dict是一个字典，在字典中需要给出每一个用到的占位符的取值。

在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。

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

tf.placeholder 函数：

插入一个张量的占位符,这个张量将一直被提供.

placeholder(
    dtype,     #数据类型。常用的是tf.float32,tf.float64等数值类型
    shape=None,#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=None  #名称
)

注意：如果直接计算,该张量将产生一个错误,
其值必须使用 feed_dict 可选参数来进行 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.

结果：
直接使用第一个print()，将会报错。
注释掉第一个print()，只使用第二个print()，可以得到输出：

[[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]]

为什么要用placeholder？

Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。

所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

placeholder有点像在定义函数的时候用到的参数。我们在写函数内部代码的时候，虽然用到了参数，但并不知道参数所代表的值。只有在调用函数的时候，我们才把具体的值传递给参数。

feed_dict() 函数

我们都知道feed_dict的作用：是给使用placeholder创建出来的tensor赋值。
刚学tensorflow的时候，以为feed_dict是和placeholder配对使用的。比如下面的代码，说明了feed_dict的基本用法:

import tensorflow as tf
 
a = 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})

其实feed_dict可以喂东西给其他tensor，不止placeholder这一种。例如，下面的代码：

import tensorflow as tf
 
a = 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})

运行的结果为4，这里利用feed_dict将3.0送给了tensor b。

总结一下，知道了这种原理，对于模型恢复的理解很有帮助。机器学习系统伴随着tensor的流动（tensorflow的寓意即为此，神经网络等等，其实就是tensor的线性变换和非线性激活），也许，我们只拿到了中间的tensor。
举例而言，你在做图片分类的工作，训练过程中，graph的placeholder为任意size的像素矩阵，但当你恢复模型的时候，已经有预处理完的图片像素tensor，这时就可以直接将其导入对应的tensor中即可，前提是知道对应的tensor的name或者符号，此时或许需要用到tf.get_tensor_by_name这个函数。feed_dict的灵活运用，也能反映出对graph思想理解。

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