関数tf.placeholder（）

• 関数形式

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

• パラメータ

  • dtype：データ型。一般的に使用されるのは、tf.float32、tf.float64およびその他の数値タイプです。
  • shape：データの形状。デフォルトはNoneで、これは1次元の値です。または、多次元にすることもできます（たとえば、[2,3]には2行3列、[None、3]は列が3、行であることを意味します）不定です）
  • 名前：名前（定義することも定義しないこともできます）

• 使用理由：

  • Tensorflowの設計概念は、計算フローグラフと呼ばれます。プログラムを作成するときは、最初にシステム全体のグラフを作成します。コードは直接有効になりません。これは、他のpythonの数値計算ライブラリ（Numpyなど）とは異なります。 ）グラフは静的です。、dockerのミラーに似ています。次に、実際の実行中にセッションを開始すると、プログラムが実際に実行されます。したがって、placeholder（）関数は、ニューラルネットワークがグラフを作成するときのモデルのプレースホルダーです。このとき、入力されるデータはモデルに渡されず、必要なメモリのみが割り当てられます。セッションが確立されると、セッションでモデルを実行するときに、feed_dict（）関数を介してデータがプレースホルダーに送られます。

• コード例（TensorFlowを使用して非線形回帰を実装するためのコードを直接添付します）：

  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()