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。

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。

想象一个计算图。在这样的图中，我们需要一个输入节点来将数据传递到图中，这些节点应该在tensorflow中定义为占位符。

不要把Python想象成一个通用的程序。你可以写一个Python程序，做所有那些在其他答案中通过变量解释的事情，但对于张量流中的计算图，为了将数据输入到图中，你需要将这些点定义为占位符。

对于TF V1:

常数是有初始值的，在计算中不会发生变化; 变量具有初值，在计算中可以变化;(对于参数来说很好) 占位符没有初始值，在计算中不会改变。(非常适合像预测实例这样的输入)

对于TF V2，同样，但他们试图隐藏占位符(图形模式不是首选)。

区别在于tf。变量，在声明时必须提供初始值。特遣部队。占位符，你不必提供初始值，你可以在运行时在Session.run中使用feed_dict参数指定它