tensorflow入门学习，继续巩固，placeholder 和 variable op的使用（七）

上一节，我们 一行一行写出了线性回归代码，这一节，先对 tensorflow 基础做了一些心得总结，然后继续巩固 tensorflow 的基础：placeholder 和 variable 节点(op)的使用。它俩是 tensorflow 常用的节点，弄清楚点，会用的更加顺心应手。

再看第一节

第一节提到，tensorflow 的计算是以图为单位的，这里不要把图当作一副图片，当作 tensorflow 里的一个容器吧。在下面一段 python tensorflow 代码中：

import tensorflow as tf

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])

product = tf.matmul(matrix1, matrix2)

session = tf.Session()
res = session.run(product)
print res
session.close()

tf 就是 tensorflow 的一个默认图，tf.constant 中的 constant 就是默认图 tf 的一个节点(op)，节点可以赋值给别的变量，例如上图中的 matrix1 product 等。所以，当打印matrix1 product 等变量时，打印的其实是节点，节点的信息通常比较丰富，有点类似于结构体。使用 python 编写 tensorflow，实际上是描述出一个网络模型。想象一下：我们在图中构造很多节点，然后将这些节点连接起来，不就构成网络了吗？

以上面代码为例，product 连接了节点 matrix1 和 matrix2。

采用 python 描述完 tensorflow 网络后，按照前面几节的介绍，tensorflow 为了效率，会将计算图完全放在 python 外部的高速计算环境计算，session 起到连接作用。所以，在第 9 行代码之前，咱们只是描述了 tensorflow 网络，并没有开始计算，直到调用 session 的 run 方法。

现在再回头整理这些内容，好理解多了哈。下面再巩固下 placeholder 和 variable 的使用。

tensorflow 的 placeholder

上面咱们说到，再运行 tensorflow 网络之前，需要先描述网络。有些时候，并不能确定什么时候需要什么数值。这时，placeholder 就有大用处了，它可以在网络中“占好位置”，等需要用的时候，即可通过 feed 传送数值，以下是 python tensorflow 例子：

#encoding=utf8
import tensorflow as tf
import numpy as np

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.add(input1, input2)

sess = tf.Session()
print sess.run(output, feed_dict={input1:[2.], input2:[3.]})
sess.close()

首先，创建了两个 holder，都是 float32 型的，不考虑具体数值，先占着位。什么时候传入数值呢？肯定是需要的时候了。这里的例子，是在执行 tf.add 时，通过字典的形式 feed 数据的。[2.] 的意思是传递一个数据 2.0。运行结果如下：

$ python holder_variable.py 
[5.]

tensorflow 的 variable

通过这几节的学习，知道通过 feed 传送的数据都是临时的，在计算之后，就被释放了。所以，训练网络的权值和偏置肯定不能用 placeholder。与之相对的，variable 则能够长久的保存数据，非常适合存储训练网络的权值和偏置。placeholder 和 variable 的区别，有点像 verilog 语言里的 wire 和 reg。那么，怎么使用variable呢？下面是一个 python tensorflow 例子：

#encoding=utf8
import tensorflow as tf
import numpy as np

state = tf.Variable(0, name='counter')      # 取名为 counter
one = tf.constant(1)            # 常量

new = tf.add(state, one)        # 将常量加到 state
update = tf.assign(state, new)  # 赋值

init = tf.global_variables_initializer()    # 必须有的，tensorflow 规定的

sess = tf.Session()
sess.run(init)

for _ in range(3):          # 执行 3 次累加
    sess.run(update)        
    print sess.run(state)
sess.close()

以上代码，建立了一个累加器，每次加 1。第 8 行，通过默认图 tf 的 add 方法，将常量 1 和计数器变量连接了起来。执行，结果如下：