tf.placeholder和tf.Variable有什么区别？

我是张力stream的新手。 我很困惑tf.placeholder和tf.Variable之间的区别。 在我看来， tf.placeholder用于input数据，而tf.Variable用于存储数据的状态。 这就是我所知道的。

有人能更详细地向我解释他们的区别吗？ 特别是何时使用tf.Variable和何时使用tf.placeholder ？

Answer 1

简而言之，您可以使用tf.Variable作为可训练variables，例如模型的权重（W）和偏差（B）。

 weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))), name='weights') biases = tf.Variable(tf.zeros([hidden1_units]), name='biases') 

tf.placeholder用于提供实际的训练示例。

 images_placeholder = tf.placeholder(tf.float32, shape=(batch_size, IMAGE_PIXELS)) labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size)) 

培训过程中，您将如何提供培训示例：

 for step in xrange(FLAGS.max_steps): feed_dict = { images_placeholder: images_feed, labels_placeholder: labels_feed, } _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict) 

你的tf.variables将被训练（修改）作为这次训练的结果。

请参阅https://www.tensorflow.org/versions/r0.7/tutorials/mnist/tf/index.html 。 （例子取自网页。）

Answer 2

与tf.Variable不同的是，当你声明它时，你必须提供一个初始值。 使用tf.placeholder您不必提供初始值，并且可以在运行时使用Session.run的feed_dict参数指定它

Answer 3

由于张量计算由图组成，因此最好从图中解释两者。

以WX + B = Y（其中W和B代表权重和偏差，X代表观测的input，Y代表观测的输出）为例。 很明显，X和Y的性质与W和B的性质是不同的.X和Y是样本（观察值）的值，因此需要一个填充的位置 ，而W和B是权重和偏差， Variables先前的值影响后者），该图应该使用不同的X和Y对进行训练。 我们将不同的样本放置到占位符来训练variables 。

我们只能保存或恢复 variables来保存或重buildgraphics。 占位符大多是不同数据集的持有者（例如训练数据或testing数据），但variables在训练过程中训练并保持不变（预测input的结果或映射样本的input和输出[标签]），稍后再重新训练模型（使用不同或相同的样本通过字典填充占位符 ，例如session.run(a_graph, dict={a_placeholder_name: sample_values}) ， 占位符也作为parameter passing给模型） 。

如果在训练过程中更改模型的占位符（添加或删除或更改形状等），则仍可以重新加载检查点，而无需进行任何其他修改。 但是，如果保存模型的variables发生变化，则应相应地调整检查点以重新加载并继续训练。

总而言之，如果这些值来自样本（您已经有了观测值），那么您可以安全地占据一个占位符，而如果您需要一个参数被训练来处理一个variables （简单地说，将variables设置为您想要的值自动使用TF）。

欲了解更多信息，请推断这个简单的说明文档 。

Answer 4

TL; DR

variables

• 要参math习
• 价值观可以从培训中获得
• 初始值是必需的（通常是随机的）

占位符

• 为数据分配存储空间（例如，在Feed中为图像像素数据）
• 初始值不是必需的（但可以设置，请参阅tf.placeholder_with_default ）

Answer 5

tf.Variable和tf.placeholder之间最明显的区别就是

---

你使用variables来保存和更新参数。 variables是包含张量的内存缓冲区。 他们必须明确初始化，并可以在培训期间和之后保存到磁盘。 您可以稍后恢复保存的值以运行或分析模型。

variables的初始化是通过sess.run(tf.global_variables_initializer()) 。 在创build一个variables时，需要将一个张量作为其初始值传递给Variable（）构造函数，并且当您创build一个variables时，您始终知道它的形状。

---

另一方面，你不能更新占位符。 他们也不应该被初始化，但是因为他们承诺有一个张量，所以你需要把值送入sess.run(<op>, {a: <some_val>}) 。 最后，与variables相比，占位符可能不知道形状。 您可以提供部分维度或者不提供任何内容。

---

还有其他的区别：

• 可以在优化期间更新variables内的值
• variables可以共享 ，并且可以是不可训练的
• 训练后可以存储variables内的值
• 当variables被创build时， 3个操作被添加到一个图中 （variablesop，初始化操作，操作初始值）
• 占位符是一个函数，variables是一个类 （因此是一个大写）
• 当您在分布式环境中使用TF时，variables将存储在特定的位置（ 参数服务器 ），并在工作人员之间共享。

有趣的部分是，不仅可以吃饭的占位符。 您可以将该值提供给一个variables甚至一个常量。

Answer 6

添加到其他的答案，他们也很好地解释了这个在Tensoflow网站上的MNIST 教程 ：

我们通过操纵符号variables来描述这些交互操作。 我们来创build一个：

x = tf.placeholder(tf.float32, [None, 784]) ，

x不是一个具体的值。 这是一个占位符，当我们要求TensorFlow运行一个计算时，我们会input一个值。 我们希望能够input任意数量的MNIST图像，每个图像被平面化成784维向量。 我们将其表示为浮点数的二维张量，其形状为[无，784]。 （这里None表示维度可以是任何长度。）

我们也需要我们的模型的权重和偏见。 我们可以想象把这些看作是额外的input，但是TensorFlow有一个更好的方法来处理它：variables。 variables是一个可修改的张量，它存在于TensorFlow的交互操作图中。 它可以被使用，甚至被计算修改。 对于机器学习应用程序，通常将模型参数设置为variables。

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

我们通过给定variables的初始值来创build这些variables：在这种情况下，我们将W和b初始化为充满零的张量。 既然我们要学习W和B，它们最初是什么都没有关系。

Answer 7

示例代码片段：

 import numpy as np import tensorflow as tf ### Model parameters ### W = tf.Variable([.3], tf.float32) b = tf.Variable([-.3], tf.float32) ### Model input and output ### x = tf.placeholder(tf.float32) linear_model = W * x + b y = tf.placeholder(tf.float32) ### loss ### loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares ### optimizer ### optimizer = tf.train.GradientDescentOptimizer(0.01) train = optimizer.minimize(loss) ### training data ### x_train = [1,2,3,4] y_train = [0,-1,-2,-3] ### training loop ### init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) # reset values to wrong for i in range(1000): sess.run(train, {x:x_train, y:y_train}) 

正如名称所说，占位符是一个承诺，以后提供价值即

variables只是训练参数（ W （matrix）， b （偏差））与日常编程中使用的正常variables相同，教练在每次运行/步骤中更新/修改。

虽然占位符不需要任何初始值，但是在创buildx和y TF不会分配任何内存，而是稍后在使用feed_dict sess.run()的占位符时，TensorFlow将分配适当大小的内存他们（ x和y ） – 这种无约束性允许我们喂养任何大小和形状的数据。

---

简而言之 ：

variables – 是您希望培训师（即GradientDescentOptimizer）在每个步骤后更新的参数。

占位符演示 –

 a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) adder_node = a + b # + provides a shortcut for tf.add(a, b) 

执行：

 print(sess.run(adder_node, {a: 3, b:4.5})) print(sess.run(adder_node, {a: [1,3], b: [2, 4]})) 

导致输出

 7.5 [ 3. 7.] 

在第一种情况下，3和4.5将分别传递给a和b ，然后传递给adder_node ouputting 7.第二种情况下有一个馈送列表，第一步和第二步将被添加，接下来的3和4（ a和b ）。

---

相关内容如下：

• tf.placeholder doc。
• tf.Variable文档。
• variablesVS​​占位符 。

Answer 8

张量variables和占位符：

variables（tf.varibales（someValue中））：

variables是输出当前值的状态节点（无论分配给它的值是多less）。 我们必须为tensorflow中的variables赋值。

占位符（tf.placeholders（D型，形状））：

占位符是在执行时input值的节点。 例如：input，标签等

Answer 9

占位符：

1. 占位符只是一个variables，我们将在稍后的date分配数据。 它允许我们创build我们的操作并构build我们的计算图，而不需要数据。 在TensorFlow术语中，我们通过这些占位符将数据提供给图表。

2. 初始值不是必需的，但可以有tf.placeholder_with_default)默认值tf.placeholder_with_default)

3. 我们必须在运行时提供价值，如：

    a = tf.placeholder(tf.int16) // initialize placeholder value b = tf.placeholder(tf.int16) // initialize placeholder value use it using session like : sess.run(add, feed_dict={a: 2, b: 3}) // this value we have to assign at runtime 

variables：

1. TensorFlowvariables是表示由程序操作的共享持久状态的最佳方式。
2. variables通过tf.Variable类来操作。 一个tf.Variable表示一个张量，其值可以通过运行ops来改变。

例如： tf.Variable("Welcome to tensorflow!!!")