Python TensorFlow：为什么不使用函数而不是占位符？

我开始使用TensorFlow（与Python一起使用），我想知道：当在函数中使用占位符时，为什么不在函数中使用一个参数，它将提供一个TensorFlow常量而不是占位符

下面是一个示例（区别在于

x

）：

而不是：

def sigmoid(z):
    x = tf.placeholder(tf.float32, name = "...")
    sigmoid = tf.sigmoid(x)
    with tf.Session() as sess: 
        result = sess.run(sigmoid, feed_dict={x:z})
    return result

---

Tensorflow的想法是，您将在大量数据上重复相同的计算。编写代码时，您正在设置一个计算图，稍后将对数据执行该图。在第一个示例中，您已将数据硬编码为常量。这不是典型的tensorflow用例。第二个例子更好，因为它允许您对不同的数据重复使用相同的计算图。

Tensorflow的思想是，您将在大量数据上重复相同的计算。编写代码时，您正在设置一个计算图，稍后将对数据执行该图。在第一个示例中，您已将数据硬编码为常量。这不是典型的tensorflow用例。第二个示例更好，因为它允许您使用不同的数据重用相同的计算图。

这两种情况都不是典型的tensorflow用例这两种情况都不是典型的tensorflow用例当使用GPU时，使用占位符在计算时间上也更好。因此，所需的内存可以预先分配，而不仅仅是在函数中需要时。因此，在使用GPU时，使用占位符对计算时间更有利。因此，所需的内存可以预先分配，而不仅仅是在函数中需要时

def sigmoid(z):
    x = tf.placeholder(tf.float32, name = "...")
    sigmoid = tf.sigmoid(x)
    with tf.Session() as sess: 
        result = sess.run(sigmoid, feed_dict={x:z})
    return result