Tensorflow：我什么时候应该使用或不使用`feed_dict`？

Question

我有点困惑为什么我们使用feed_dict？根据我的朋友的说法，您在使用placeholder 时通常使用feed_dict，这可能对生产不利。

我见过这样的代码，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}) 

我也见过这样的代码，其中涉及feed_dict：

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

我了解feed_dict 是您正在输入数据并尝试将X 作为键，就像在字典中一样。但在这里我看不出有什么不同。那么，到底有什么区别，为什么我们需要feed_dict？

Answer 1

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

例如，我将一组简单的操作定义为：

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

现在当我让 tensorflow 计算 y 时，很明显 y 依赖于 x。

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

这将产生一个错误，因为我没有给它一个 x 的值。在这种情况下，因为x 是一个占位符，如果在计算中使用它，您必须通过feed_dict 将其传入。如果你不这样做，那就是一个错误。

让我们解决这个问题：

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

这次的结果将是84。伟大的。现在让我们看一个不需要feed_dict 的小例子：

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

现在没有占位符（x 是一个常数），因此不需要向模型提供任何内容。现在可以了：

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