定义tensorflow的输入节点
定义tensorflow的输入节点：
tensorflow的输入节点定义方式基本上有三种，分别是：通过占位符定义、通过字典类型定义、直接定义。其中最常用的就是通过占位符定义、通过字典类型定义。这两种的区别在于当输入比较多的时候一般使用字典类型定义。下面通过代码来进行详细的解释：
通过占位符来进行定义：
1 X = tf.placeholder("float") # 代表x的输入值
2 Y = tf.placeholder("float") #代表对应的真实值y
关于tf.placeholder():（参考自https://blog.csdn.net/kdongyi/article/details/82343712）
tf.placeholder(
dtype,
shape=None,
name=None
)
参数：
- dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
- shape：数据形状。默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定）
- name：名称
为什么要用placeholder？
Tensorflow的设计理念称之为计算流图，在编写程序时，首先构筑整个系统的graph，代码并不会直接生效，这一点和python的其他数值计算库（如Numpy等）不同，graph为静态的，类似于docker中的镜像。然后，在实际的运行时，启动一个session，程序才会真正的运行。这样做的好处就是：避免反复地切换底层程序实际运行的上下文，tensorflow帮你优化整个系统的代码。我们知道，很多python程序的底层为C语言或者其他语言，执行一行脚本，就要切换一次，是有成本的，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码，还是很有优势的。
所以placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。
代码示例：
import tensorflow as tf
import numpy as np
input1 = tf.placeholder(tf.float32) #输入值
input2 = tf.placeholder(tf.float32) #输入值
output = tf.multiply(input1, input2) #输出是两个值的乘积
with tf.Session() as sess:
print sess.run(output, feed_dict = {input1:[3.], input2: [4.]})
通过字典类型来定义：
1 # 占位符 2 inputdict = { 3 'x': tf.placeholder("float") 4 'y': tf.placeholder("float") 5 }
直接定义输入节点（这种方法不常用）：
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向结构，在乘积函数中，train_X就是直接输入的数据 z = tf.multiply(W, train_X)+ b
