定義tensorflow的輸入節點：
tensorflow的輸入節點定義方式基本上有三種，分別是：通過占位符定義、通過字典類型定義、直接定義。其中最常用的就是通過占位符定義、通過字典類型定義。這兩種的區別在於當輸入比較多的時候一般使用字典類型定義。下面通過代碼來進行詳細的解釋：
通過占位符來進行定義：
1 X = tf.placeholder("float") # 代表x的輸入值
2 Y = tf.placeholder("float") #代表對應的真實值y
關於tf.placeholder():（參考自https://blog.csdn.net/kdongyi/article/details/82343712）
tf.placeholder(
dtype,
shape=None, name=None )
參數：
- dtype：數據類型。常用的是tf.float32,tf.float64等數值類型
- shape：數據形狀。默認是None，就是一維值，也可以是多維（比如[2,3], [None, 3]表示列是3，行不定）
- name：名稱
為什么要用placeholder？
Tensorflow的設計理念稱之為計算流圖，在編寫程序時，首先構築整個系統的graph，代碼並不會直接生效，這一點和python的其他數值計算庫（如Numpy等）不同，graph為靜態的，類似於docker中的鏡像。然后，在實際的運行時，啟動一個session，程序才會真正的運行。這樣做的好處就是：避免反復地切換底層程序實際運行的上下文，tensorflow幫你優化整個系統的代碼。我們知道，很多python程序的底層為C語言或者其他語言，執行一行腳本，就要切換一次，是有成本的，tensorflow通過計算流圖的方式，幫你優化整個session需要執行的代碼，還是很有優勢的。
所以placeholder()函數是在神經網絡構建graph的時候在模型中的占位，此時並沒有把要輸入的數據傳入模型，它只會分配必要的內存。等建立session，在會話中，運行模型的時候通過feed_dict()函數向占位符喂入數據。
代碼示例：
import tensorflow as tf
import numpy as np input1 = tf.placeholder(tf.float32) #輸入值 input2 = tf.placeholder(tf.float32) #輸入值 output = tf.multiply(input1, input2) #輸出是兩個值的乘積 with tf.Session() as sess: print sess.run(output, feed_dict = {input1:[3.], input2: [4.]})
通過字典類型來定義：
1 # 占位符 2 inputdict = { 3 'x': tf.placeholder("float") 4 'y': tf.placeholder("float") 5 }
直接定義輸入節點（這種方法不常用）：
# 模型參數
W = tf.Variable(tf.random_normal([1]), name="weight") b = tf.Variable(tf.zeros([1]), name="bias") # 前向結構，在乘積函數中，train_X就是直接輸入的數據 z = tf.multiply(W, train_X)+ b