Tensorflow学习笔记——占位符和feed_dict（二）

创建了各种形式的常量和变量后，但TensorFlow 同样还支持占位符。占位符并没有初始值，它只会分配必要的内存。在会话中，占位符可以使用 feed_dict 馈送数据。

feed_dict是一个字典，在字典中需要给出每一个用到的占位符的取值。在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点。

下面一段代码分别展示了使用常量和占位符进行计算：

w1=tf.Variable(tf.random_normal([1,2],stddev=1,seed=1))#因为需要重复输入x，而每建一个x就会生成一个结点，计算图的效率会低。所以使用占位符x=tf.placeholder(tf.float32,shape=(1,2))x1=tf.constant([[0.7,0.9]])a=x+w1b=x1+w1sess=tf.Session()sess.run(tf.global_variables_initializer())#运行y时将占位符填上，feed_dict为字典，变量名不可变y_1=sess.run(a,feed_dict={x:[[0.7,0.9]]})y_2=sess.run(b)print(y_1)print(y_2)sess.close

其中 y_1 的计算过程使用占位符，而 y_2 的计算过程使用常量。

下面是使用占位符的案例（计算两点之间的距离）：

list_of_points1_ = [[1,2], [3,4], [5,6], [7,8]]list_of_points2_ = [[15,16], [13,14], [11,12], [9,10]]list_of_points1 = np.array([np.array(elem).reshape(1,2) for elem in list_of_points1_])list_of_points2 = np.array([np.array(elem).reshape(1,2) for elem in list_of_points2_])graph = tf.Graph()with graph.as_default():       #我们使用 tf.placeholder() 创建占位符 ，在 session.run() 过程中再投递数据     point1 = tf.placeholder(tf.float32, shape=(1, 2))    point2 = tf.placeholder(tf.float32, shape=(1, 2))    def calculate_eucledian_distance(point1, point2):        difference = tf.subtract(point1, point2)        power2 = tf.pow(difference, tf.constant(2.0, shape=(1,2)))        add = tf.reduce_sum(power2)        eucledian_distance = tf.sqrt(add)        return eucledian_distance    dist = calculate_eucledian_distance(point1, point2)with tf.Session(graph=graph) as session:    tf.global_variables_initializer().run()       for ii in range(len(list_of_points1)):        point1_ = list_of_points1[ii]        point2_ = list_of_points2[ii]        #使用feed_dict将数据投入到[dist]中        feed_dict = {point1 : point1_, point2 : point2_}        distance = session.run([dist], feed_dict=feed_dict)        print("the distance between {} and {} -> {}".format(point1_, point2_, distance))#输出：>>> the distance between [[1 2]] and [[15 16]] -> [19.79899]>>> the distance between [[3 4]] and [[13 14]] -> [14.142136]>>> the distance between [[5 6]] and [[11 12]] -> [8.485281]>>> the distance between [[7 8]] and [[ 9 10]] -> [2.8284271]