占位符:

A placeholder is simply a variable that we will assign data to at a later date. It allows us to create our operations and build our computation graph, without needing the data. In TensorFlow terminology, we then feed data into the graph through these placeholders. Initial values are not required but can have default values with tf.placeholder_with_default) We have to provide value at runtime like : a = tf.placeholder(tf.int16) // initialize placeholder value b = tf.placeholder(tf.int16) // initialize placeholder value use it using session like : sess.run(add, feed_dict={a: 2, b: 3}) // this value we have to assign at runtime

变量:

TensorFlow变量是表示共享的最佳方式， 由程序操纵的持久状态。 变量是通过tf操作的。变量类。一个特遣部队。变量 表示一个张量，其值可以通过对其运行操作来改变。

例如:tf。变量("欢迎来到tensorflow!! ")

简而言之，使用tf。变量为可训练变量，如权重(W)和偏差(B)为您的模型。

weights = tf.Variable(
    tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
                    stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))), name='weights')

biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')

特遣部队。占位符用于提供实际的训练示例。

images_placeholder = tf.placeholder(tf.float32, shape=(batch_size, IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))

这是你在训练中输入训练示例的方式:

for step in xrange(FLAGS.max_steps):
    feed_dict = {
       images_placeholder: images_feed,
       labels_placeholder: labels_feed,
     }
    _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)

你的助教。变量将被训练(修改)作为这个训练的结果。

详见https://www.tensorflow.org/versions/r0.7/tutorials/mnist/tf/index.html。(例子摘自网页。)

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

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。

Tensorflow 2.0兼容答案:占位符的概念，tf。占位符在Tensorflow 2中不可用。x(>= 2.0)，因为默认执行模式为“主动执行”。

但是，我们可以在图形模式下使用它们(禁用急切执行)。

版本2中TF占位符的等效命令。X是tf. compatat .v1.placeholder。

版本2中TF变量的等效命令。X等于tf。变量和如果您想从1迁移代码。X到2。X，等效命令为

tf.compat.v2.Variable。

有关Tensorflow 2.0版本的更多信息，请参阅此Tensorflow页面。

有关从版本1迁移的更多信息，请参阅迁移指南。X到2。X。

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。