TensorFlow之placeholder

在TensorFlow中，有一类特殊的节点，它既可以看成常量也可以看成变量，它就是placeholder。placeholder其实是一个占位符，它提前在图中占位，但是不需要给它初始化值。

之所以说placeholder既可以看成常量也可以看成变量， 是因为在将数据填入到占位符后，其值在图中就不能再做修改（即不能通过assign等函数修改值）；但是在图之外又可以不断传入不同的值。在图运行的时候，可以动态设置placeholder的值。

举个例子，在训练的时候，需要向图中不断传入不同的数据（如图片），这个时候可以选择用placeholder提前占位，然后在训练时不断将placeholder中的数据替换。当然， TensorFlow中有其他更高效的数据读取方法，这里仅仅是举例。

在TensorFlow1中，tf.placeholder函数的原型如下：

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

各个参数的含义介绍如下：

dtype: 占位符的数据类型。

shape: 占位符的Shape，即各个维度的长度。

name: 占位符的名称。

写个例子，假设我们需要实现一个矩阵乘法，其中一个矩阵需要在一个矩阵列表中依次读取，并与另一个矩阵做相乘的计算，代码如下：

import tensorflow as tf
tf1 = tf.compat.v1
B = [[1, 1], [1, 1], [1, 1]]
Graph = tf1.Graph()
with Graph.as_default():
    A_tf = tf1.placeholder(dtype=tf.float32, shape=[2, 3], name='A')
    B_tf = tf1.constant(B, dtype=tf.float32, shape=[3, 2], name='B')
    C_tf = tf1.matmul(A_tf, B_tf)
with tf1.Session(graph=Graph) as sess:
    A1 = [[1, 2, 3], [1, 2, 3]]
    A2 = [[4, 5, 6], [4, 5, 6]]
    A_list = [A1, A2]
    for A in A_list:
        C = sess.run(C_tf, feed_dict={A_tf: A})
        print('\n', C)

在第14行中，执行矩阵乘法运算，并将占位符A_tf的值通过feed_dict参数传入。feed_dict参数是一个字典对象，所有的占位符都可以通过这个参数传入。执行以上代码后，输出结果如下：

 [[6. 6.]
 [6. 6.]]

 [[15. 15.]
 [15. 15.]]

注意: 当执行的路径中包含占位符时，那么所有被包含的占位符必须要传入具体值，即通过feed_dict把所有路径中包含的占位符的值传入。