Tensorflow：我什么时候应该使用或不使用`feed_dict`？

Question

我有点困惑，为什么要使用feed_dict？根据我的朋友说，您通常在使用feed_dict时使用placeholder，这可能对生产不利。

我看过这样的代码，其中feed_dict没有涉及：

for j in range(n_batches):
    X_batch, Y_batch = mnist.train.next_batch(batch_size)
    _, loss_batch = sess.run([optimizer, loss], {X: X_batch, Y:Y_batch}) 

我也看到过这样的代码，其中feed_dict涉及到：

for i in range(100): 
    for x, y in data:
        # Session execute optimizer and fetch values of loss
        _, l = sess.run([optimizer, loss], feed_dict={X: x, Y:y}) 
        total_loss += l

我知道feed_dict您正在输入数据，并X像在字典中一样尝试作为键。但是在这里我看不到任何区别。那么，到底有什么区别feed_dict？为什么需要？

Answer 1

在tensorflow模型中，您可以定义一个占位符，例如x = tf.placeholder(tf.float32)，然后将x在模型中使用。

例如，我将一组简单的操作定义为：

x = tf.placeholder(tf.float32)
y = x * 42

现在，当我要求tensorflow进行计算时y，很明显这y取决于x。

with tf.Session() as sess:
  sess.run(y)

这将产生一个错误，因为我没有给它赋值x。在这种情况下，因为x是占位符，所以如果将其用于计算中，则必须将其传递给via feed_dict。如果不这样做，那就是错误。

让我们修复一下：

with tf.Session() as sess:
  sess.run(y, feed_dict={x: 2})

这次的结果将是84。大。现在让我们看一个feed_dict不需要的琐碎情况：

x = tf.constant(2)
y = x * 42

现在没有占位符（x是一个常量），因此不需要向模型提供任何东西。现在可以使用：

with tf.Session() as sess:
  sess.run(y)