函数tf.placeholder()

• 函数形式

  tf.placeholder(
      dtype,
      shape=None,
      name=None
  )
  

• 参数

  • dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
  • shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3] 两行3列, [None, 3]表示列是3，行不定）
  • name：名称(可定义可不定义)

• 使用原因：

  • Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

• 代码示例（直接附上利用TensorFlow实现非线性回归代码）：

  import tensorflow as tf
  import numpy as np
  import matplotlib.pyplot as plt
  
  # s生成200个随机点
  x_data = np.linspace(-0.5,0.5,200)[:,np.newaxis]
  noise = np.random.normal(0,0.02,x_data.shape)
  y_data = np.square(x_data) + noise
  
  x = tf.placeholder(tf.float32,[None,1])
  y = tf.placeholder(tf.float32,[None,1])
  
  # 定义神经网络中间层
  Weight_L1 = tf.Variable(tf.random_normal([1,10]))
  biases_L1 = tf.Variable(tf.random_normal([1,10]))
  Wx_plus_b_L1 = tf.matmul(x,Weight_L1) + biases_L1
  L1 = tf.nn.tanh(Wx_plus_b_L1)
  
  # 定义神经网络输出层
  Weight_L2 = tf.Variable(tf.random_normal([10,1]))
  biases_L2 = tf.Variable(tf.zeros([1,1]))
  Wx_plus_b_L2 = tf.matmul(L1,Weight_L2) + biases_L2
  prediction = tf.nn.tanh(Wx_plus_b_L2)
  
  # 二次代价函数
  loss = tf.reduce_mean(tf.square(y-prediction))
  # 使用梯度下降法训练
  train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
  
  with tf.Session() as sess:
      sess.run(tf.global_variables_initializer())
      for _ in range(2000):
          sess.run(train_step,feed_dict={
        
        x:x_data, y:y_data})
          
      prediction_value = sess.run(prediction, feed_dict={
        
        x:x_data})
      
      plt.figure()
      plt.scatter(x_data,y_data)
      
      plt.plot(x_data,prediction_value,'r-',lw=5)
      plt.show()