Tensorflow使用三种类型的容器来存储/执行过程

1. 常数：常数保存典型数据。

2. variables：数据值将被更改，并带有相应的功能，例如cost_function。

3. 占位符：培训/测试数据将传递到图形中。

将张量流中的Variable视为我们在编程语言中使用的普通变量。我们初始化变量，以后也可以对其进行修改。而placeholder不需要初始值。占位符只是分配内存块以供将来使用。稍后，我们可以使用feed_dict将数据输入placeholder 。默认情况下， placeholder的形状不受限制，可让您在会话中提供不同形状的张量。您可以通过传递可选参数-shape来制作受约束的形状，如下所述。

x = tf.placeholder(tf.float32,(3,4))
y =  x + 2

sess = tf.Session()
print(sess.run(y)) # will cause an error

s = np.random.rand(3,4)
print(sess.run(y, feed_dict={x:s}))

在执行机器学习任务时，大多数时候我们并不知道行数，但是（假设）我们知道功能或列数。在这种情况下，我们可以使用None。

x = tf.placeholder(tf.float32, shape=(None,4))

现在，在运行时，我们可以输入具有4列和任意行数的任何矩阵。

此外，占位符还用于输入数据（它们是我们用于馈送模型的变量的一种），其中，变量是参数，例如我们随时间推移训练的权重。

示例片段：

import numpy as np
import tensorflow as tf

### Model parameters ###
W = tf.Variable([.3], tf.float32)
b = tf.Variable([-.3], tf.float32)

### Model input and output ###
x = tf.placeholder(tf.float32)
linear_model = W * x + b
y = tf.placeholder(tf.float32)

### loss ###
loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares

### optimizer ###
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)

### training data ###
x_train = [1,2,3,4]
y_train = [0,-1,-2,-3]

### training loop ###
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init) # reset values to wrong
for i in range(1000):
  sess.run(train, {x:x_train, y:y_train})

顾名思义，占位符是指以后提供价值的承诺，即

变量只是培训参数（ W （矩阵）， b （偏差））与您在日常编程中使用的常规变量相同，培训员会在每次运行/步骤中对其进行更新/修改。

尽管占位符不需要任何初始值，但当您创建x和y TF不会分配任何内存，而是稍后在您使用feed_dict将sess.run()喂入占位符时，TensorFlow会为它们（ x和y ）-这种无限制的条件使我们能够提供任何大小和形状的数据。

简而言之 ：

变量 -是您希望训练师（即GradientDescentOptimizer）在每个步骤之后更新的参数。

占位符演示-

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b  # + provides a shortcut for tf.add(a, b)

执行：

print(sess.run(adder_node, {a: 3, b:4.5}))
print(sess.run(adder_node, {a: [1,3], b: [2, 4]}))

产生输出

7.5
[ 3.  7.]

在第一种情况下，将3和4.5分别传递给a和b ，然后传递到输出7的adder_node。在第二种情况下，有一个供稿列表，第一步将添加步骤1和2，接下来是第3步和第4步（ a和b ）。

相关读物：

• tf.placeholder doc。
• tf 。 变量文档
• 可变VS占位符 。

区别在于使用tf.Variable必须在声明它时提供一个初始值。使用tf.placeholder您无需提供初始值，并且可以在运行时使用Session.run的feed_dict参数指定它。

由于Tensor计算是由图组成的，因此最好根据图来解释两者。

以简单的线性回归为例

WX+B=Y

其中W和B代表权重和偏差， X代表观测值的输入， Y代表观测值的输出。

显然， X和Y具有相同的性质（清单变量），与W和B （潜在变量）不同。 X和Y是样本（观测值）的值，因此需要填充一个位置 ，而W和B是权重和偏差。图表中的变量 （先前的值会影响后者）应使用不同的X和Y对。我们将不同的样本放置到占位符上以训练变量 。

我们只需要保存或还原 变量 （在检查点）即可使用代码保存或重建图形。

占位符主要是不同数据集（例如训练数据或测试数据）的占位符 。但是，在训练过程中针对特定任务对变量进行了训练，即，以预测输入的结果或将输入映射到所需的标签。它们保持不变，直到您使用不同或相同的样本重新训练或微调模型以通过dict填充到占位符中为止。例如：

 session.run(a_graph, dict = {a_placeholder_name : sample_values}) 

占位符也作为参数传递给设置模型。

如果在训练过程中更改了模型的占位符（添加，删除，更改形状等），则仍可以重新加载检查点，而无需进行任何其他修改。但是，如果更改了已保存模型的变量，则应相应地调整检查点以重新加载它并继续进行训练（图中定义的所有变量都应在检查点中可用）。

总而言之，如果值来自样本（您已经拥有的观测值），则可以安全地放置占位符，而如果需要训练参数，则可以使用变量 （简单地说，为所需的值设置变量）以自动使用TF）。

在一些有趣的模型中，例如样式转换模型 ，输入像素将被优化，并且通常称为模型变量的固定，然后我们应将输入（通常是随机初始化）作为在该链接中实现的变量。

有关更多信息，请推断出这个简单且说明性的文档 。

TL; DR

变数

• 供参数学习
• 价值可以从培训中得出
• 需要初始值（通常是随机的）

占位符

• 数据的已分配存储（例如供稿期间的图像像素数据）
• 不需要初始值（但可以设置，请参见tf.placeholder_with_default ）

变数

TensorFlow变量是表示程序所控制的共享持久状态的最佳方法。变量通过tf.Variable类进行操作。在内部，tf.Variable存储持久张量。通过特定的操作，您可以读取和修改此张量的值。这些修改在多个tf.Session中可见，因此多个工作人员可以看到相同的tf.Variable值。使用前必须先初始化变量。

例：

x = tf.Variable(3, name="x")
y = tf.Variable(4, name="y")
f = x*x*y + y + 2

这将创建一个计算图。可以在张量流会话中初始化变量（x和y）并评估函数（f），如下所示：

with tf.Session() as sess:
     x.initializer.run()
     y.initializer.run()
     result = f.eval()
print(result)
42

占位符

占位符是一个节点（与变量相同），其值可以在将来初始化。这些节点基本上在运行时输出分配给它们的值。可以使用tf.placeholder（）类分配一个占位符节点，您可以向其提供参数，例如变量的类型和/或其形状。随着训练数据集不断变化，占位符广泛用于表示机器学习模型中的训练数据集。

例：

A = tf.placeholder(tf.float32, shape=(None, 3))
B = A + 5

注意：尺寸的“无”表示“任何尺寸”。

with tf.Session as sess:
    B_val_1 = B.eval(feed_dict={A: [[1, 2, 3]]})
    B_val_2 = B.eval(feed_dict={A: [[4, 5, 6], [7, 8, 9]]})

print(B_val_1)
[[6. 7. 8.]]
print(B_val_2)
[[9. 10. 11.]
 [12. 13. 14.]]

参考文献：

1. https://www.tensorflow.org/guide/variables
2. https://www.tensorflow.org/api_docs/python/tf/placeholder
3. O'Reilly：Scikit-Learn和Tensorflow的动手机器学习

除了其他答案，他们还在Tensoflow网站上的MNIST 教程中对此进行了很好的解释：

我们通过操纵符号变量来描述这些交互操作。让我们创建一个：

x = tf.placeholder(tf.float32, [None, 784]) ，

x不是特定值。它是一个占位符，当我们要求TensorFlow运行计算时将输入的值。我们希望能够输入任意数量的MNIST图像，每个图像均被展平为784维向量。我们将其表示为浮点数的二维张量，其形状为[None，784]。 （此处无表示尺寸可以为任意长度。）

我们还需要模型的权重和偏见。我们可以想象将它们像其他输入一样对待，但是TensorFlow有一个更好的处理方式： Variable 。 Variable是存在于TensorFlow的交互操作图中的可修改张量。计算可以使用甚至修改它。对于机器学习应用程序，通常将模型参数设为Variable 。

W = tf.Variable(tf.zeros([784, 10]))

b = tf.Variable(tf.zeros([10]))

我们创建这些Variable通过给小号tf.Variable的初始值Variable ：在这种情况下，我们都初始化W和b为张量全是零。由于我们将要学习W和b ，所以它们最初的含义并不重要。

简而言之，将tf.Variable用于可训练变量，例如模型的权重（W）和偏差（B）。

weights = tf.Variable(
    tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
                    stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))), name='weights')

biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')

tf.placeholder用于提供实际的培训示例。

images_placeholder = tf.placeholder(tf.float32, shape=(batch_size, IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))

这是您在培训期间输入培训示例的方式：

for step in xrange(FLAGS.max_steps):
    feed_dict = {
       images_placeholder: images_feed,
       labels_placeholder: labels_feed,
     }
    _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)

您的tf.variables将作为此训练的结果而被训练（修改）。

有关更多信息，请参见https://www.tensorflow.org/versions/r0.7/tutorials/mnist/tf/index.html 。 （示例摘自网页。）

tf.Variable和tf.placeholder之间最明显的区别是

您可以使用变量来保存和更新参数。变量是包含张量的内存缓冲区。必须对它们进行显式初始化，并且可以在培训期间和之后将其保存到磁盘。您以后可以恢复保存的值以执行或分析模型。

变量的初始化是通过sess.run(tf.global_variables_initializer()) 。同样，在创建变量时，您需要将Tensor作为其初始值传递给Variable()构造函数，并且在创建变量时始终知道其形状。

另一方面，您无法更新占位符。它们也不应该被初始化，但是由于它们是承诺具有张量的，因此您需要将值输入sess.run(<op>, {a: <some_val>}) 。最后，与变量相比，占位符可能不知道形状。您可以提供部分尺寸，也可以完全不提供。

还有其他区别：

• 变量内部的值可以在优化过程中更新
• 变量可以共享 ，并且不可训练
• 训练后可以存储变量内的值
• 创建变量时， 会将3个操作添加到图形中 （变量操作，初始值设定项操作，初始值的操作）
• 占位符是一个函数，变量是一个类 （因此为大写）
• 在分布式环境中使用TF时，变量将存储在特殊位置（ 参数服务器 ），并在工作进程之间共享。

有趣的是，不仅可以喂占位符。您可以将值输入变量，甚至常量。