Tensorflow: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要使用feed_dict？据我的 friend 说，当您使用 placeholder 时，通常会使用 feed_dict，这可能对生产不利。

我见过这样的代码，其中不涉及 feed_dict:

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，其中涉及到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

我理解 feed_dict 是您正在输入数据并尝试 X 作为键，就像在字典中一样。但在这里我看不出有什么区别。那么，到底有什么区别以及为什么我们需要 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，我定义了一组简单的操作:

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

现在，当我要求 Tensorflow 计算 y 时，很明显 y 取决于 x。

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

这会产生错误，因为我没有给它指定 x 的值。在本例中，由于 x 是占位符，因此如果在计算中使用它，则必须通过 feed_dict 传入它。如果不这样做，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 的简单情况:

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内容。现在可以了:

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