Tensorflow()的特殊数据类型-占位符(placeholder)

Bruce-zhang

于 2020-05-26 21:01:53 发布

阅读量419

点赞数 1

文章标签： tensorflow 神经网络深度学习机器学习自动驾驶

本文链接：https://blog.youkuaiyun.com/qq_42612717/article/details/106364902

版权

本文深入探讨了TensorFlow中Placeholder的使用方法，解释了如何在数据流图中预留位置并在会话运行时赋值，通过实例展示了不同类型的输入数据如何进行加法运算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在tensorflow中用张量这种数据结构来表示所有的数据类型，因为tensorflow特殊的数据计算和处理形式，图进行计算是，可以从外界传入数据。二TensorFlow并不能直接对传入的数据进行处理，因此使用paceholder保留一个数据的位置，之后可以在Tensorflow会话运行的时候进行赋值。
实例代码：

import tensorflow as tf

input1 = tf.placeholder(tf.int32)
input2 = tf.placeholder(tf.int32)

output = tf.add(input1,input2)
sess = tf.Session()

print(sess.run(output,feed_dict={input1:99,input2:2}))
print(output.dtype)

print(sess.run(output,feed_dict={input1:[100,200],input2:[1,1]}))
print(output.dtype)

输出结果为：

101
<dtype: 'int32'>

[101 201]
<dtype: 'int32'>

在会话过程中，input1为一个张量，被赋予的值时99，input2为2。run()启动数据流图进行计算，输出结果为99+2=101。