什么是op操作

什么是op（操作）？

所谓op就是operation，“操作”的意思。在tensorflow中op不仅包括加、减、乘、除等所有计算方式，同时也包括常量定义、变量定义、占位符定义等等。例如tf.constant()，tf.add()，tf.mul()等等都是op，都要通过session运行，才能得到结果，

很多人会以为tf.Variable()也是op，其实不是。tensorflow里，一般，首字母大写的是类，而首字母小写的才是op。tf.Variable()就是一个类，不过它包含了各种op，比如你定义了x = tf.Variable([2, 3], name = 'vector')，那么x就具有如下op：
x.initializer # 对x做初始化，即赋值为初始值[2, 3]
x.value() # 获取x的值
x.assign(...) # 赋值操作
x.assign_add(...) # 加法操作

一个特殊的op: tf.placeholder()
placeholder，翻译过来就是“占位符”。其实它类似于函数里的自变量。比如z = x + y，那么x和y就可以定义成占位符。占位符，顾名思义，就这是占一个位子，平时不用关心它们的值，当你做运算的时候，你再把你的数据灌进去就行了。是不是和自变量很像？看下面的代码：

# 以下在默认graph中定义op
a = tf.placeholder(tf.float32, shape=[3]) # a是一个有三个元素的向量
b = tf.constant([5, 5, 5], tf.float32)
c = a + b
# 以下定义session
with tf.Session() as sess:
    print( sess.run(c, feed_dict = {a: [1, 2, 3]})) # 把[1, 2, 3]灌到a里去

输出结果是[6, 7, 8]。上面代码中出现了feed_dict的概念，其实就是用[1, 2, 3]代替a的意思。相当于在本轮计算中，自变量a的取值为[1, 2, 3]。其实不仅仅是tf.placeholder才可以用feed_dict，很多op都可以。只要tf.Graph.is_feedable(tensor)返回值是True，那么这个tensor就可用用feed_dict来灌入数据。

tf.constant()是直接定义在graph里的，它是graph的一部分，会随着graph一起加载。如果通过tf.constant()定义了一个维度很高的张量，那么graph占用的内存就会变大，加载也会变慢。而tf.placeholder就没有这个问题，所以如果数据维度很高的话，定义成tf.placeholder是更好的选择