tf.Variable tf.placeholder tf.constant 区别

tf.Variable tf.placeholder tf.constant 区别

import tensorflow as tf
# 构建计算图节点（声明节点）
a = tf.Variable(1) # 此阶段必须指定初值
b = tf.constant(1)
c = tf.placeholder(dtype=tf.int32, shape=(1,)) # 此阶段无需指定初值
update = tf.assign(a, tf.add(a, b)) 

# 运行计算图前准备
init = tf.global_variables_initializer() # init等价于初始化所有变量
feed_dict = {c:[10]} # feed_dict等价于为placeholder喂入数据，准备运行计算图
        #注意一定加中括号，因为place_holder中一定是张量，张量最少有一组中括号
        
# 运行计算图
with tf.Session() as sess:
    sess.run(init) # 初始化所有变量
    print("c:{}".format(sess.run(c, feed_dict = feed_dict))) # 为placeholder喂入数据
    for i in range(2):
        print("update a:{}".format(sess.run(update))) # 输出在屏幕的是a的值
        print("a:{}".format(sess.run(a)) )
       

运行结果：

c:[10]
update a:2
a:2
update a:3
a:3

总结：

1. tf.Variable：表示变量，运行时可以改变。主要用于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏置值（bias）；
   声明时，必须提供初始值。
   运行时，必须初始化。 用sess.run(tf.global_variables_initializer())初始化所有变量

2. tf.placeholder：表示张量（最少有一维，即最少含有一组中括号），运行时不可改变。用于得到传递进来的真实的训练样本：
   声明时，不指定初始值
   运行时，需要赋值。 通过 Session.run 的函数的 feed_dict 参数指定

3. tf.constan：表示常量，运行时不可改变

参考链接：
TensorFlow 辨异 —— tf.placeholder 与 tf.Variable