通常如果每轮迭代中选取的数据都要通过常量来表示,那么Tensorflow的计算图将会太大。因为每生成一个常量,计算图就会增加一个节点。如果经过几百万甚至几亿轮迭代,计算图就会非常庞大,利用率会很低。为了避免这个问题,Tensorflow提供了placeholder机制用于提供输入数据。placeholder相当于定义了一个位置,这个位置中的数据在程序运行时再指定。这样在程序中就不需要生成大量的常量来提供输入数据,而只需要将数据通过placeholder传入Tensorflow计算图。在placeholder定义时,这个位置上的数据类型是需要指定的,同时类型也是不可以改变的。placeholder中数据的维度信息可以根据提供的数据推导出,所以不一定要给出。下面通过placeholder实现前向传播算法代码:
import tensorflow as tf
w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2=tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#定义placeholder作为存放输入数据的地方。这里维度也不定要定义
#但如果维度确定的,那么给出维度可以降低出错概率
x=tf.placeholder(tf.float32,shape=(1,2),name="input")
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)
sess=tf.matmul(x,w1)
init_op=tf.global_variables_initializer()
sess.run(init_op)
#下面一行将报错:InvalidArgumentError:You must feed a value for placeholder
#tens