和上一篇文章所说的常量（tf.constant）的使用场景不同，在很多的时候，我们最开始是无法给出一个初始值的，这个值必须后面（定义完模型后）动态赋上，这就要使用类似变量的功能--占位符。事实上，很多高级语言都会有变量，如变量x，我们会让变量有不同的类型，比如整形，字符串等等。但是很不幸，tensorflow不能直接使用这些变量，原因其实很简单，在tensorflow里头，实际是一个预定义模型，然后再进行大量计算的。所以，这也就是一系列的模型占位符，而这些占位符和传统的变量有一个很大的功能区别，就是这些占位符，不仅仅是后续代表一个具体的值，更重要的是，要用这个占位符去创建一个模型。
placeholer就是可以起到类似的作用，当然他和后面所说的真正的变量还是有区别的，这个一会说道变量的时候再说。
x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})看，这既是占位符的定义方式，他是可以在后面session中在用字典方式给其赋值的。
和占位符类似，另外一个就是真正的变量了，和占位符不同，他的含义是，其值在训练过程中是不断变化的。
x = tf.Variable(5)
刚刚也说道，占位符很大一个作用是建立模型的，那么模型是什么呢，怎么建立？
说白了，模型就是一系列的数学式子，想必大家也俩想到了，这些式子是为了建立模型的，而不是在建立模型的那一句上直接运行的。所以，模型和占位符一样，模型中使用的所有数学运算都不能用高级语言直接的运算符号，因为那样就真的直接运算了，而不是建立模型，我们看看简单的：
x = tf.subtract(10, 4) # 6 y = tf.multiply(2, 5) # 10
这就是简单的加法和乘法，注意乘法是点积，不是矩阵乘法。
好变量有了，那对变量还有一类重要的操作，就是初始化，对于机器学习，尤其是对weight的初始化是尤其重要的，这个之前的文章详细描述过，不熟悉的同学，出门左转，记得看看。
init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init)
上面tf.global_variables_initializer()是可以对全局的所有变量进行初始化的。
n_features = 120 n_labels = 5 weights = tf.Variable(tf.truncated_normal((n_features, n_labels)))
而这句话是可对变量进行“正规化”。
n_labels = 5 bias = tf.Variable(tf.zeros(n_labels))
这句话，可以赋予0这个初值。
我们来实际看个例子，训练线性预测的式子：Y=WX+B
这个例子是简化版的数字识别，值识别0到3的数据，使用的数据集还是著名的：MNIST数据集。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
from quiz import get_weights, get_biases, linear
def mnist_features_labels(n_labels):
mnist_features = []
mnist_labels = []
mnist = input_data.read_data_sets('/datasets/ud730/mnist', one_hot=True)
for mnist_feature, mnist_label in zip(*mnist.train.next_batch(10000)):
if mnist_label[:n_labels].any():
mnist_features.append(mnist_feature)
mnist_labels.append(mnist_label[:n_labels])
return mnist_features, mnist_labels
# 输入的特征 (28*28 的图片特征输入就有784个features)
n_features = 784
# 结果的特征词数量
n_labels = 3
# 定义输入输出
features = tf.placeholder(tf.float32)
labels = tf.placeholder(tf.float32)
# 定义要学习的Weights and Biases
w = get_weights(n_features, n_labels)
b = get_biases(n_labels)
# 线性方程 xW + b，这个就是模型啦
logits = linear(features, w, b)
# 获取训练数据
train_features, train_labels = mnist_features_labels(n_labels)
with tf.Session() as session:
session.run(tf.global_variables_initializer())
# Softmax，作为输出结果的activation function
prediction = tf.nn.softmax(logits)
# 计算交叉熵作为lost function
cross_entropy = -tf.reduce_sum(labels * tf.log(prediction), reduction_indices=1)
# 计算loss
loss = tf.reduce_mean(cross_entropy)
# 梯度下降的比率
learning_rate = 0.08
# 进行梯度下降计算
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
# 开始真正计算
_, l = session.run(
[optimizer, loss],
feed_dict={features: train_features, labels: train_labels})
# 打印出损失值
print('Loss: {}'.format(l))
这还不算是真正的训练实操，只是逐步说明了tensorflow的基本操作原理。
后面会慢慢的给上实际的操作，当然一直到CNN为止。
机器学习实操和理论都是同等重要的，所以，如果入门的同学，还是希望能关注头条号，从一开始的第一篇开始，基本的原理基础还是非常重要的。