之前说过TensorFlow这个架构会先定义所有运算过程(option)，最后通过run(option)来动态执行，这个形式有些像普通函数与main的概念，普通函数只是静态的定义在那，只有当main被调用时，写在main中的函数才回被真正的动态调用。
本文要说的 tf.placeholder() 就有些像普通函数中的形式参数，在定义函数时的参数只是形式上的参数，目的是通过指代的方式表达清楚运算流程，实际上并没有分配值空间（函数定义时），只有在函数执行时才传入真实值（真正占用内存空间的值）进行运算。
下面通过一个程序实例来说明tf.placeholder()的用法
import tensorflow as tf
# 即使程序中只有一个常量tf.constant()，不断的迭代也会让计算图存储大量的常量
# 于是就有了placeholder这种机制，x = tf.placeholder(tf.float32, [数据规格])
# 它只是提供存放 量的位置，指明数据类型和数据维度，其数据在程序执行的时候再指定（通过feed_dict={x:3,,,}的方式）
input1 = tf.placeholder(tf.float32) # 通过tf.placeholder()定义形式变量
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2) # 通过形式变量描述运算流程
with tf.Session() as sess:
print(sess.run(output, feed_dict={input1:[7.], input2:[2.]}))
# 通过run()执行运算，通过feed_dict=传一个字典类型的参数
# 注：这里output运算只进行了一步，在复杂操作中，output所有迭代用到的形式变量都要通过feed_dict传入值
参考文献
