Tensorflow:通过feed_dict 的方式输入数据_feed dict传入数据-CSDN博客

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

#随机生成数据后续这部分就是说数据清洗，载入，预处理的部分了，总之是tensorflow可以处理的数据

x_data = np.linspace(0.5,0.8,200)[:,np.newaxis]
b = np.random.normal(0.,0.02,x_data.shape)
y_data = np.square(x_data) + b


# plt.figure()
# plt.scatter(x_data,y_data)
# plt.show()
#定义tensorflow的输入
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])

#定义中间层
w_1 = tf.Variable(tf.random_normal([1,10]))
b_1 = tf.Variable(tf.zeros([1,10]))
L1 = tf.nn.tanh(tf.add(tf.matmul(x,w_1),b_1))
#定义输出层
w_2 = tf.Variable(tf.random_normal([10,1]))
b_2 = tf.Variable(tf.zeros([1,1]))
L2 = tf.nn.tanh(tf.add(tf.matmul(L1,w_2),b_2))


#定义损失函数
loss = tf.reduce_mean(tf.square(y - L2))

#定义优化函数
train = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.global_variables_initializer()





with tf.Session() as sess:
    sess.run(init)
    for step in range(10000):
        sess.run(train,feed_dict={x:x_data,y:y_data})
        if step % 200 == 0:
            print(step)
        # sess.run(L2, feed_dict={x: x_data}) 既然用了feed_dict的模式在每次run的时候不要忘记加上feed_dict
        # 而且不要把这一句再到 每多少次打印的if块内，因为不会起作用，它依然会每feed一次数据打印一次

tensorflow里对于暂时不进行赋值的元素有一个称呼叫占位符,a = tf.placeholder(tf.float32) 表示给a赋予一个32位浮点数。具体多少，不知道，等到需要赋值的时候才知道 feed_dict就是用来赋值的，格式为字典型。比如，对上一章节中的a进行赋值。有feed_dict={a:8}。

import tensorflow as tf 
#设置两个乘数，用占位符表示
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
#设置乘积output = tf.multiply(input1, input2) 
with tf.Session() as sess:    
#用feed_dict以字典的方式填充占位    
print(sess.run(output, feed_dict={input1:[8.],input2:[2.]}))

结果是：

[ 16.]

tensorflow还提供字典填充函数，使输入和输出更为简单：feed_dict = {}。例如：需要吧8和2填充到字典中，就需要占位符tensorflow.placeholder()而非变量，input1
= tf.placeholder(tf.float32)，因为是一个元素不需要矩阵相乘，只要简单的乘法即可：tensorflow.multiply()