学习参考周莫烦的视频。
Variable：主要是用于训练变量之类的。比如我们经常使用的网络权重，偏置。
值得注意的是Variable在声明是必须赋予初始值。在训练过程中该值很可能会进行不断的加减操作变化。
placeholder:也是用于存储数据，但是主要用于feed_dict的配合，接收输入数据用于训练模型等。placeholder值在训练过程中会不断地被赋予新的值，用于批训练，基本上其值是不会轻易进行加减操作。
placeholder在命名时是不会需要赋予值得，其被赋予值得时间实在feed_dict时。
Variable使用：
这是一个简单的加法训练。需要注意的是tensorflow 中很多操作都可以看做是一个节点。比如这里的assign操作，需要专门做一个update操作节点。
import tensorflow as tf
import numpy as np #Variable 在声明是必须要给定一个 初始值的。同时也要规定他的shape，这里是一个常数，所以就不许要在给定一个shape了。
one = tf.Variable(tf.constant(1))
get = tf.Variable(0)
state = tf.add(one,get)
update = tf.assign(get,state) init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(10):
sess.run(update)
print(sess.run(get))
placeholder使用：
placeholder是作为一个容器，在声明时，并不需要给定一个初始值，与c++等语言不同，你可以把它看做成在运行时他并不执行，只有在feed_dict出现训练时，在给予值（个人看法，不一定对）。
不过placeholder 在命名时时需要指定类型的。如：
xs = tf.placeholder(tf.float32,[None,1],name = "x_input")
这里的xs不仅指定了类型，也定义的shape。如果不定义shape，只要是后续代码中一致，那么可以是任意形式的。
这里给出两个版本的代码，一个用了placeholder去拟合一个曲线，另一个没有使用
placeholder：
# -*- coding: utf-8 -*-
"""
Created on Tue Jun 13 15:41:23 2017 @author: Jarvis
"""
import tensorflow as tf
import numpy as np x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3
print (x_data.shape)
xs = tf.placeholder(tf.float32)
ys = tf.placeholder(tf.float32)
W = tf.Variable(1.0)
#W = tf.Variable(tf.random_uniform([1],-1.0,1))
b = tf.Variable(tf.zeros([1]))
y_pre = W*xs+b loss = tf.reduce_mean((tf.square(ys-y_pre))) train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
if i%50 == 0:
print (sess.run(W),sess.run(b))
没有用，直接使用原始数据：
import tensorflow as tf
import numpy as np x_data = np.random.rand(100).astype(np.float)
y_data = x_data*0.3+0.1 W = tf.Variable(tf.zeros([1]))#这里可能大家会有疑问，W的shape到底是多少？这个Wshape和之前 那个版本的w.shape到底有什么区别呢？详见shape的内容。
b = tf.Variable(tf.zeros([1])) y_pre = W*x_data+b
loss = tf.reduce_mean(tf.square(y_data-y_pre))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
sess.run(train_step)
print(sess.run(W),sess.run(b))