TensorFlow学习笔记（三）--placeholder

最新推荐文章于 2024-12-12 19:58:28 发布

TCFM

最新推荐文章于 2024-12-12 19:58:28 发布

阅读量508

点赞数

分类专栏：机器学习笔记文章标签： TensorFlow 深度学习 python

机器学习笔记专栏收录该内容

11 篇文章

订阅专栏

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。