tensorflow的传入函数与随机种子的设置

tf.placeholder():传入值，占位符

tf.placeholder(dtype,shape=None,name=None）
在构建tensorflow 模型时，placeholder用来占位，等到会话创建后，经过sess.run()才会运行，这样便以优化。在创建placeholder时，他只会分配一些必要的内存，并不传入数据。在建立session后，通过feed_dict()函数向占位符输入数据。在输入数据的时候，feed_dict()通过字典的形式将数据传入占位符中。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)   #tensorflow中大部分数据都是以tf.float32的形式存储的
input2 = tf.placeholder(tf.float32)
output = tf.mutiply(input1, input2)
with tf.Session() as sess:
	print(sess.run(output,feed_dict = {input1 = [7.], input2 = [2.]}))
#feed_dict用来给input1，input2赋值，格式为字典型

在创建参数时使用tf.placeholder()可以起到先分配内存再赋值的作用，这样做是因为python语言中的大部分函数的底层为C语言，这样会减少程序对于函数的重复调用，减少程序的运行时间，从而整个程序实现更加高效的运行。

tf.set_random_seed(seed)函数:

在构建深度学习网络时，为了使程序在不同的机器中生成的随机数是可重复的，我们通常会设置图形级或操作级种子来达到目的。在设置了seed之后，程序在不同的会话，不同的机器中生成的随机数都是相同的

import tensorflow as tf

a = tf.random_uniform([1])
b = tf.random_normal([1])

tf.set_random_seed(2)

print("Session 1")
with tf.Session() as sess1:
  print(sess1.run(a))  # 生成随机数'A1'
  print(sess1.run(a))  # 生成随机数'A2'
  print(sess1.run(b))  # 生成随机数'B1'
  print(sess1.run(b))  # 生成随机数'B2'

print("Session 2")
with tf.Session() as sess2:
  print(sess2.run(a))  # 生成随机数'A1'
  print(sess2.run(a))  # 生成随机数'A2'
  print(sess2.run(b))  # 生成随机数'B1'
  print(sess2.run(b))  # 生成随机数'B2'

为了使程序在不同的会话、程序甚至于不同的程序产生一样的随机数，从而在一定程度上减少程序产生结果的随机性，我们在生成深度学习网络模型时通常使用随机种子，通过这个方法，我们可以得到更加理想的效果。
两种随机种子的区别：

tf.random_uniform([1]， seed=1)   #设置为操作级种子

#所谓操作级种子就是该参数seed只对当前随机数生成函数起作用

tf.set_random_seed(2)       #设置为图级种子

#所谓图级种子在这里就是该操作对tf中所有的随机数生成函数都起作用

对于某一个函数来说，再确定好参数seed后，在不改动seed的情况下，每次运行程序使用该随机种子的函数生成的结果都是一样的，当然这是在不同的会话或机器中而言，在同一会话中调用多次该函数生成的随机数是不一样的。
不同的随机种子会生成不同的随机数，只有相同的种子才会生成重复的随机数。