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(trainable variables)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； 

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')

• 声明时，若设定参数trainable=False，那么参数不会被改变，默认trainable=True；

placeholder: 用于得到传递进来的真实的训练样本

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

• 不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定；
• 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。 

images_placeholder = tf.placeholder(tf.float32, shape=[batch_size, IMAGE_PIXELS])
labels_placeholder = tf.placeholder(tf.int32, shape=[batch_size])