博士TL;

变量

为了学习参数 价值观可以从培训中获得 初始值是必需的(通常是随机的)

占位符

为数据分配存储(例如在馈送期间用于图像像素数据) 初始值不是必需的(但可以设置，参见tf.placeholder_with_default)

博士TL;

变量

为了学习参数 价值观可以从培训中获得 初始值是必需的(通常是随机的)

占位符

为数据分配存储(例如在馈送期间用于图像像素数据) 初始值不是必需的(但可以设置，参见tf.placeholder_with_default)

Tensorflow使用三种类型的容器来存储/执行过程

Constants:Constants保存典型数据。 变量:数据值将被改变，相应的函数，如cost_function.. 占位符:训练/测试数据将被传递到图表中。

示例代码片段:

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，占位符是稍后提供一个值的承诺。

变量只是训练参数(W(矩阵)，b(偏差)，与您在日常编程中使用的正常变量相同，培训师在每次运行/步骤中更新/修改。

虽然占位符不需要任何初始值，当你创建x和y时，TF不分配任何内存，相反，当你在sesss .run()中使用feed_dict提供占位符时，TensorFlow将为它们分配适当大小的内存(x和y) -这种不受约束的特性允许我们提供任何大小和形状的数据。

简而言之:

Variable -是一个你希望训练器(例如GradientDescentOptimizer)在每一步之后更新的参数。

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]}))

结果是输出

7.5
[ 3.  7.]

在第一种情况下，3和4.5将分别传递给a和b，然后传递给adder_node输出7。在第二种情况下，有一个提要列表，第一步1和2将被添加，接下来的3和4 (a和b)。

相关阅读:

特遣部队。占位符doc。 特遣部队。变量doc。 变量VS占位符。

最明显的区别是。变量和tf。占位符是

使用变量保存和更新参数。变量是 包含张量的内存缓冲区。它们必须明确 已初始化，可以在培训期间和培训结束后保存到磁盘。你 可以稍后恢复保存的值以练习或分析模型。

变量的初始化使用sess.run(tf.global_variables_initializer())完成。另外，在创建变量时，你需要将一个Tensor作为它的初始值传递给variable()构造函数，当你创建一个变量时，你总是知道它的形状。

另一方面，您不能更新占位符。它们也不应该被初始化，但因为它们是一个有一个张量的承诺，你需要将值输入到它们sess.run(<op>， {a: <some_val>})。最后，与变量相比，占位符可能不知道形状。您可以提供部分维度，也可以什么都不提供。

还有其他区别:

the values inside the variable can be updated during optimizations variables can be shared, and can be non-trainable the values inside the variable can be stored after training when the variable is created, 3 ops are added to a graph (variable op, initializer op, ops for the initial value) placeholder is a function, Variable is a class (hence an uppercase) when you use TF in a distributed environment, variables are stored in a special place (parameter server) and are shared between the workers.

有趣的是，不仅可以提供占位符。您可以将值提供给变量，甚至是常量。

因为张量计算由图组成，所以最好用图来解释这两者。

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代表观测数据的输入，Y代表观测数据的输出。

显然X和Y是同一性质(显变量)，而W和B是潜变量。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，图中的变量(前一个值影响后者)，应该使用不同的X和Y对进行训练。我们在占位符中放置不同的样本来训练变量。

我们只需要保存或恢复变量(在检查点)来保存或重新构建代码图。

占位符主要是不同数据集的占位符(例如训练数据或测试数据)。然而，变量在训练过程中被训练为特定的任务，即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，直到你使用不同或相同的样本重新训练或微调模型，通常通过字典填充占位符。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。

如果你在训练过程中改变了模型的占位符(添加、删除、改变形状等)，你仍然可以重新加载检查点，而不需要任何其他修改。但是如果保存的模型的变量发生了变化，您应该相应地调整检查点以重新加载它并继续训练(图中定义的所有变量都应该在检查点中可用)。

总而言之，如果值来自样本(您已经拥有的观察结果)，您可以安全地设置一个占位符来保存它们，而如果您需要训练一个参数，则利用一个变量(简单地说，为您想使用TF自动获得的值设置变量)。

在一些有趣的模型中，比如样式转换模型，输入像素将被优化，通常被称为模型变量是固定的，然后我们应该将输入(通常是随机初始化的)作为在该链接中实现的变量。

要了解更多信息，请参考这个简单明了的文档。