本文共 1081 字，大约阅读时间需要 3 分钟。

转自：

二者的主要区别在于：

• tf.Variable：主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）；

  • 声明时，必须提供初始值；
  • 名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值； 
    

    weights = tf.Variable(    tf.truncated_normal([IMAGE_PIXELS, hidden1_units],            stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights'))biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')     
         
          1 
          2 
          3 
          4 
          5 
              
         
          1 
          2 
          3 
          4 
          5

• tf.placeholder：用于得到传递进来的真实的训练样本：

  • 不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定；
  • 这也是其命名的原因所在，仅仅作为一种占位符；

  images_placeholder = tf.placeholder(tf.float32, shape=[batch_size, IMAGE_PIXELS])labels_placeholder = tf.placeholder(tf.int32, shape=[batch_size])   
     
      1 
      2 
        
     
      1 
      2

如下则是二者真实的使用场景：

for step in range(FLAGS.max_steps):    feed_dict = {        images_placeholder = images_feed,        labels_placeholder = labels_feed    }    _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict) 
 
  1 
  2 
  3 
  4 
  5 
  6 
  
 
  1 
  2 
  3 
  4 
  5 
  6

当执行这些操作时，tf.Variable 的值将会改变，也即被修改，这也是其名称的来源（variable，变量）。

转载地址：http://lmjti.baihongyu.com/