本文已参与「新人创作礼」活动，一起开启掘金创作之路。

---

TensorFlow概述

首先简单回顾一下 $TensorFlow$ 中张量的概念与通俗解释，在 $TensorFlow$ 中，所有的数据都通过张量的形式来表示 从功能的角度，张量可以简单理解为多维数组，张量并没有真正保存数字，它保存的是计算过程。通俗理解如下：

1. 零阶张量表示标量(scalar)，也就是一个数
2. 一阶张量表示向量(vector)，也就是一维数组
3. n 阶张量可以理解为一个n维数组 $TensorFlow$ 会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错，因此TensorFlow对数据类型的要求比较严格。

$TensorFlow$ 中最基本的单位是常量（Constant）、变量（Variable）和占位符（Placeholder）。

简而言之常量与变量的区别：

• 常量在定义后，常量的值和维度不可变。
• 变量被定义后，变量的值可变，但是维度不可变。
• 在神经网络中，变量一般可用来保存训练参数，作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。

下面将重点介绍$TensorFlow$中占位符的理解与使用。

---

占位符

$TensorFlow$中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，比如训练数据，这时候需要用到占位符。这也是Tensorflow特有的一种数据结构。

TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的Type和Shape

tf.placeholder(dtype, shape=None, name=None)，其中dtype必须填写。

注意：如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过feed_dict参数传递进去，否则报错。

具体程序演示代码如下所示：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()     # 解决方案：注释tf的引用，换为兼容模式。

a = tf.placeholder(tf.float32, name='a')
b = tf.placeholder(tf.float32, name='b')
c = tf.multiply(a, b, name='c')
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    # 通过feed_dict的参数传值，按字典格式
    result = sess.run(c, feed_dict={a: 8.0, b: 3.5})
    print(result)

# 一次返回多个值分别赋给多个变量方法1
a1 = tf.placeholder(tf.float32, name='a1')
b1 = tf.placeholder(tf.float32, name='b1')
c1 = tf.multiply(a1, b1, name='c1')
d1 = tf.subtract(a1, b1, name='d1')
init1 = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init1)
    result = sess.run([c1, d1], feed_dict={a1: [8.0, 2.0, 3.5], b1: [1.5, 2.0, 4.]})  # 向量
    print(result)
    # 取结果中的第一个
    print(result[0])

# 一次返回多个值分别赋给多个变量方法2
with tf.Session() as sess:
    sess.run(init1)
    # 返回两个值分别赋给两个变量
    rc, rd = sess.run([c1, d1], feed_dict={a1: [8.0, 2.0, 3.5], b1: [1.5, 2.0, 4.]})
    print("Value of c=", rc, "value of d=", rd)

操作

计算图中的节点就是操作（Operation）

• 一次加法是一个操作
• 一次乘法也是一个操作
• 构建一些变量的初始值也是一个操作

每个运算操作都有属性，它在构建图的时候需要确定下来。操作可以和计算设备绑定，指定操作在某个设备上执行，例如某个操作运行在哪个GPU上。操作之间存在顺序关系，这些操作之间的依赖就是边。如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B。