为什么使用占位符作为TensorFlow函数的输入数据

Question

当我阅读TensorFlow代码时，我看到人们为函数的输入参数指定占位符，然后在session.run中提供输入数据。一个简单的例子可以是：

def sigmoid(z):

    x = tf.placeholder(tf.float32, name='x')

    sigmoid = tf.sigmoid(x)

    with tf.Session() as session:
        result = session.run(sigmoid, feed_dict={x:z})

    return result

我想知道为什么他们不直接将z提供给tf.sigmoid(z)并删除占位符x？

如果这是最佳做法，背后的原因是什么？

Answer 1

在您的示例方法sigmoid中，您基本上构建了一个小型计算图（见下文），并使用session.run（使用相同的方法）运行它。是的，在您的情况下使用占位符不会增加任何好处。

然而，通常人们只是构建了计算图（并在以后用数据执行图）。但在构建图形时，不需要数据。这就是为什么我们使用占位符来保存数据的原因。或者换句话说，它允许我们在不需要任何数据的情况下创建我们的计算操作。

另外this应解释为什么我们要使用tf.placehoder代替tf.Variable来保存培训数据。简而言之：

• tf.Variable适用于模型的可训练参数。
• tf.placeholder用于训练数据，这些数据不会作为模型训练而改变。
• 占位符不需要初始值。
• 通过馈送的第一维数据可以是None，从而支持任何batch_size。