tf.placeholder和tf.Variable之间有什么区别

在这篇文章中，我们将看到tf.placeholder和tf.Variable之间的区别。

tf.placeholder

顾名思义，它是一个空的地方。它是一个空的变量，后来训练数据被送入其中。tf.placeholder允许我们首先创建一个结构，即设置计算图，然后将数据输入其中。它允许我们在运行时放置数据。当会议开始时，我们把数据输入占位符。

语法: tf.compat.v1.placeholder(dtype, shape=None, name=None)

dtype是输入的数据类型。
shape是张量的形状。然而，它是一个可选的参数。
name是操作名称

让我们借助于一个例子来阐述一下

# import packages
import tensorflow.compat.v1 as tf 
  
# disable eager mode
tf.compat.v1.disable_eager_execution()  
  
# create empty placeholder
a = tf.placeholder(tf.float32, name='a')  
b = tf.placeholder(tf.float32, name='b')  
  
# create third node and perform subtraction
c = tf.subtract(a, b, name='c')  
sess = tf.Session()
  
# run session
sess.run(c, feed_dict={a: 1, b: 8})

输出:

-7.0

在上面的代码中，我们创建了两个占位符，并创建了第三个节点’c’来执行减法。最后，我们使用 session.run 来执行操作。

tf.Variable

tf.Variable是一个持有初始值的状态。这些值不过是张量。变量可以通过调用构造函数被添加到计算图中。每当一个变量被创建，它总是被初始化。在会话执行过程中，它们基本上持有权重和偏差。

语法:

tf.Variable(initial_value=None,   
trainable=None,   
validate_shape=True,   
caching_device=None,   
name=None,   
variable_def=None,   
dtype=None,   
import_scope=None,   
constraint=None,   
synchronization=tf.VariableSynchronization.AUTO,   
aggregation=tf.compat.v1.VariableAggregation.NONE,   
shape=None)

让我们借助于一个例子来阐述一下

# import packages
import tensorflow as tf
   
# create variables
tensor1 = tf.Variable([3, 4])
tensor2 = tf.Variable([2, 3])
  
print(tensor1-tensor2)

输出:

Tensor("sub:0", shape=(2,), dtype=int32)

在上面的代码中，我们创建了两个张量变量，并用两个列表初始化它们。然后我们对两个张量进行减法并得到结果。

tf.placeholder和tf.Variable之间的区别

tf.placeholder	tf.Variable
它是一个空变量，数据在代码的后面部分被输入。	变量一旦声明，就必须在声明时用一个初始值进行初始化。
占位符被绑定在表达式内。	变量用于保存权重和偏差的值。
这些值是特定的，在程序执行过程中不会改变。	在程序执行过程中，数值会被改变。
它用于处理外部数据。	它用于存储整个程序中需要的数值。