占位符（placeholder）

当我们构建一个模型的时候，有时候我们需要在运行时候输入少量初始数据，这个时候定义模型数据输入在tensorflow中就是用placeholder（占位符）来完成。
使用以下代码来定义占位符：

import tensorflow as tfa = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)c = tf.add(a,b)

Feed

当我们需要执行得到c的运行结果时候我们就需要在会话运行时候，通过feed来插入a与b对应的值：

with tf.Session() as sess:    result = sess.run(c, feed_dict={a:[3.], b:[4.]})#使用字典的形式赋值    print(result)

运行结果

Fetch

前面提到的sess.run()方法，其实就是fetch。

with tf.Session() as sess:    sess.run(init)    print(state)

实例：建立一个简单的线性回归模型

先看代码：

import tensorflow as tfimport numpy as np #使用numpy生成100个随机点x = np.random.rand(100)y_data = 0.1 * x + 0.2#构造一个线性回归模型b = tf.Variable(0.)k = tf.Variable(0.)y = k * x + b #回归拟合y_data#损失函数loss = tf.reduce_mean(tf.square(y_data - y))#计算y与y_data的差值#使用梯度下降法来进行训练的优化器optimizer = tf.train.GradientDescentOptimizer(0.2)#最小化损失函数train = optimizer.minimize(loss)#loss越小，b和k越接近0.1和0.2#初始化init = tf.global_variables_initializer()#runwith tf.Session() as sess:    sess.run(init)    for step in range(201): #训练5次        sess.run(train)        if step%20 == 0:#每20次输出一次k和b            print(sess.run([k,b]))

算法思路：随机生成100个随机数，带入一次函数y=k0.1x+0.2。使用tf构造回归函数y=kx+b拟合这条直线。随着训练次数的添加，k和b越接近真实值。
执行结果：

运行结果