PlaceHolder

此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值

input1=tf.placeholder(tf.float32)

input2=tf.placeholder(tf.float32)      #使用session.run运行的时候再赋值

output=tf.mul(input1,input2)

with tf.Session() assess:

    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))    #feed dictionary传值方式：字典

#存在的意义

在训练神经网络时需要每次提供一个批量的训练样本，如果每次迭代选取的数据要通过常量表示，那么TensorFlow 的计算图会非常大。因为每增加一个常量，TensorFlow 都会在计算图中增加一个结点。所以说拥有几百万次迭代的神经网络会拥有极其庞大的计算图，而占位符却可以解决这一点，它只会拥有占位符这一个结点

#placeholder

占位符并没有初始值，它只会分配必要的内存。在会话中，占位符可以使用 feed_dict 馈送数据。

    tf.placeholder(dtype, shape=None, name=None)

> **参数：**

>    dtype：数据类型。常用的是tf.int32，tf.float32，tf.float64，tf.string等数据类型。

>    shape：数据形状。默认是None，也就是一维值。

>            也可以表示多维，比如要表示2行3列则应设为[2, 3]。

>            形如[None, 3]表示列是3，行不定。

>    name：名称。

>    返回：Tensor类型

#feed_dict

feed_dict是一个字典，在字典中需要给出每一个用到的占位符的取值。

。