Tensorflow笔记之placeholder

最新推荐文章于 2023-06-02 10:14:21 发布

繁华落叶草

最新推荐文章于 2023-06-02 10:14:21 发布

阅读量315

点赞数

分类专栏：神经网络 tensorflow

本文链接：https://blog.csdn.net/wht18720080085/article/details/104760678

版权

本文介绍了TensorFlow中placeholder的重要性和使用方法，它避免了在计算图中生成大量常量导致的资源浪费。通过placeholder，可以在运行时指定输入数据，允许灵活的数据维度。示例代码展示了如何使用placeholder进行前向传播，并定义损失函数进行反向传播优化，如交叉熵损失和梯度下降优化器。

摘要由CSDN通过智能技术生成

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