从入门到精通----Tensorflow中的placeholder和feed_dict的使用方法

TensorFlow 支持占位符placeholder。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。

import tensorflow as tf

#tf.placeholder(dtype, shape=None, name=None)
#参数：
#dtype：数据类型。常用的是tf.int32，tf.float32，tf.float64，tf.string等数据类型。
# shape：数据形状。默认是None，也就是一维值。
#         也可以表示多维，比如要表示2行3列则应设为[2, 3]。
#          形如[None, 3]表示列是3，行不定。
#   name：名称。
#返回：Tensor类型
#对外界输入的之进行赋值
input1=tf.placeholder(tf.float32)
#也可以在后面规定输入的结构
#input1=tf.placeholder(tf.float32,[2,2])
input2=tf.placeholder(tf.float32)

output=tf.multiply(input1,input2)

with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))