TensorFlow官方文档详细解释feeding和placeholders？

详细解释 feeding 和 placeholders&＃xff1f;

艾伯特&＃xff08;http://www.aibbt.com/&＃xff09;国内第一家人工智能门户

Feeding 是 TensorFlow Session API 的一种机制&＃xff0c;它允许你在运行时用不同的值替换一个或多个 tensor 的值。Session.run() 的参数 feed_dict 是一个字典&＃xff0c; 它将 Tensor 对象映射为 numpy 的数组&＃xff08;和一些其他类型&＃xff09;。 在执行 step 时&＃xff0c;这些数组就是 tensor 的值。

你常会碰到某些 tensor 总是有值的&＃xff0c;比如 inputs。 tf.placeholder() 操作(operation)允许你定义一种必须提供值的 tensor &＃xff0c;你也可以随意限定它们的 shape。关于如何使用 placelolders 和 feeding 为神经网络提供训练数据的例子&＃xff0c;请参看初学者的 MNIST 教程

Session.run() 和 Tensor.eval() 有什么区别&＃xff1f;

如果 t 是一个 Tensor 对象&＃xff0c; t.eval() 就是 sess.run(t) &＃xff08;sess 是当前默认 session&＃xff09;的简写。 以下两段小程序是等效的&＃xff1a;

# 使用 &＃96;Session.run()&＃96;.
sess &＃61; tf.Session()
c &＃61; tf.constant(5.0)
print sess.run(c)# 使用 &＃96;Tensor.eval()&＃96;.
c &＃61; tf.constant(5.0)
with tf.Session():print c.eval()

在第二个例子中&＃xff0c; session 的作用就象 context manager &＃xff0c; context manager 在 with 块的生存期&＃xff0c;将 session 作为默认的 session。对简单应用的情形&＃xff08;如单元测试&＃xff09;&＃xff0c;context manager 的方法可以得到更简洁的代码&＃xff1b; 如果你的代码要处理多个 graph 和 session &＃xff0c;更直白的方式可能是显式调用 Session.run()。