TensorFlow中placeholder与feed_dict的使用详解

青禾

发布时间：2026-10-13| 6人浏览过

原创

本文介绍TensorFlow中占位符placeholder的作用及feed_dict的数据馈送机制。通过解析参数定义、数据类型、形状设置及名称规范，结合字符串、数值及矩阵运算实例，展示如何高效构建计算图并避免节点冗余，适用于神经网络训练场景。

TensorFlow提供了占位符（placeholder）机制。占位符在定义时不分配具体数值，仅预留所需的内存空间。在实际运行会话时，可以通过feed_dict向占位符注入具体数据。

feed_dict是一个字典结构，用于在会话执行期间为每个占位符指定具体的输入值。

在训练神经网络时，通常需要分批提供训练样本。若每次迭代的数据都通过常量表示，TensorFlow会在计算图中为每个常量添加一个节点，导致计算图极其庞大，甚至包含数百万个节点。使用占位符可解决此问题，无论迭代次数多少，计算图中仅保留占位符节点，从而优化内存和计算效率。

placeholder函数的定义如下：

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

参数说明：

dtype：指定数据类型，常用的包括tf.int32、tf.float32、tf.float64、tf.string等。 shape：定义数据形状，默认为None，表示一维数据。也可指定多维形状，例如[2, 3]表示2行3列。若设为[None, 3]，则表示列数固定为3，行数可变。 name：可选的名称标识。

该函数返回Tensor类型对象。

示例1：

import tensorflow as tf

x = tf.placeholder(tf.string)

with tf.Session() as sess:
  output = sess.run(x, feed_dict={x: 'Hello World'})
  print(output)

运行结果：Hello World

示例2：

import tensorflow as tf

x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)

with tf.Session() as sess:
  output = sess.run(x, feed_dict = {x :'Hello World', y:123, z:45.67})
  print(output)
  output = sess.run(y, feed_dict = {x :'Hello World', y:123, z:45.67})
  print(output)
  output = sess.run(z, feed_dict = {x :'Hello World', y:123, z:45.67})
print(output)

运行结果：

Hello Word 123 45.66999816894531

示例3：

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=(3, 3)) 
y = tf.matmul(x, x) 
 
with tf.Session() as sess:  
  rand_array = np.random.rand(3, 3)
print(sess.run(y, feed_dict = {x: rand_array}))

运行结果：