TensorFlow学习笔记(三)--placeholder

本文介绍了TensorFlow中喂数据(feed)机制的基本概念及其应用场景。通过使用placeholder()创建占位符,可以在运行时动态地输入数据,这对于训练过程中的数据加载非常有用。文章通过一个简单的乘法运算示例演示了如何利用feed_dict参数来实现这一功能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 笔记(一)在计算图中引入了tensor,以常量或变量的形式存储。TensorFlow还提供了feed机制,该机制

可以临时替代图中的任意操作中的tensor可以对图中任何操作提交补丁,直接插入一个tensor。feed 使用一个

tensor值临时替换一个操作的输出结果。你可以提供feed数据作为run()调用的参数。feed只在调用它的方法内有

效,方法结束,feed就会消失。最常见的用例是将某些特殊的操作指定为"feed"操作,标记的方法是使用

tf.placeholder()为这些操作创建占位符。

input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
    print sess.run([output],feed_dict{input1:[7.],input2:[2.]})
# 输出:
# [array([ 14.], dtype=float32)]

在一个更大的样本feed中,如果没有正确提供feed,placeholder()操作将会产生错误。在之后的MNIST例子的学习

中将会提及这个问题。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值