使用Tensorflow的基本套路是，先建立一个问题的模型，然后求解模型的参数。 建立模型要涉及到占位符（Placeholder）和变量（Variable），求解模型参数涉及优化器。 因此，只要理解了这三个概念，我们便可以使用Tensorflow构建自己的模型并求解模型的参数。
占位符（Placeholder）
使用 tf.placeholder 来创建一个占位符，创建时需要指定它的类型。 比如我们要建立一个数学公式 2x2 + 3x + 1，此时就需要将x定义为一个占位符。这样我们才能在求解公式的值时，动态地指定x的值。
import tensorflow as tf
x = tf.placeholder(tf.int32) 1
y = 2*x*x + 3*x + 1 2
sess = tf.Session()
r = sess.run(y, feed_dict={x:2}) 3
- 1 ：创建一个占位符，其类型为int32
- 2 ：定义数学公式。其中自变量为x，函数值为y
-
3 ：求解给定自变量x为2时，函数值y的值。通过
feed_dict参数指定一个占位符的值。 运行过后，r的值为15（2*22 + 3*2 + 1）
占位符有点像编程语言中变量的概念，但关键不同为：占位符不会保存值，当指定一个值给它后，它并不会将这个值保存起来，以便下次使用。而是你每次使用它时，都必须为它指定一个新值。而变量则会将上次的值一直保存，下次使用时你不必再指定新值，它会直接使用上次保存的值。
一个数学公式中的自变量正好需要这样：它本身没有状态（即不会保存上次的值），你每次求解公式的值时，都必须指定自变量的值。所以，占位符的作用为：
占位符提供了一种给模型指定自变量值的机制
一个基本规则为，在使用Tensorflow建模时，将模型的自变量和因变量定义为占位符，这就对了。
如果一个模型中包含了占位符，则在求解这个模型值时，Tensorflow会强制必须指定所有占位符的值，通过 feed_dict 。如上面例子所示，在求解y时，必须指定x的值。
如果没有指定x的值，如下所示：
r = sess.run(y)
则会报一个错误：
You must feed a value for placeholder tensor \'Placeholder\' with dtype
关于 feed_dict 参数
这个参数指定所有占位符的值。为一个dict。每个key指定的一个占位符的值。key值为占位符本身，如例子中的x，对应的值为占位符的值。
当模型中包含占位符时，则在求解模型值时，必须使用 feed_dict 来指定所有占位符的值。
关于 sess.run
这个函数用于求解一个结点的值。
变量（Variable）
使用tf.Variable创建一个变量。变量跟编程语言中的变量的概念非常相似，表示一个存储空间，能够保存一个值。变量在使用必须有一个初始值，你可以改变一个变量的值。
使用Tensoflow创建机器学习模型时，变量被用于表示模型的参数。一般来说，训练机器学习模型的过程，就是寻找模型参数的过程。在训练开始前，都会给参数一个初始值，然后逐渐修改变量的值，使得模型能够逼近训练数据。
以下是使用变量的一个例子。
a = tf.Variable(3, name='my_a')
b = tf.constant(3)
c = a*b
# a variable must be initilized
init = tf.global_variables_initializer()
self.sess.run(init)
r = self.sess.run(c) # r=9
变量在使用必须被初始化，通过调用 tf.globalvariablesinitializer() 来实现。如果没有初始化，则会报下面的错误。
Attempting to use uninitialized value my_a
修改变量的值
通过变量的 assign 函数来修改它的值。如下所示。
a = tf.Variable(3, name='my_a')
init = tf.global_variables_initializer()
sess.run(init)
assert(sess.run(a) == 3)
assign_to_4 = a.assign(4)
# Before run the operation, a is still 3. This is a little hard to understand
assert(sess.run(a) == 3)
r = sess.run(assign_to_4)
assert(sess.run(a) == 4)
但在训练机器学习模型时，并不需要自己修改变量的值，优化器会自动修改。
优化器（Optimizer）
当使用占位符和变量构造好模型及目标函数后，便可使用优化来求解模型的参数。使用占位符表示模型的自变量和因变量（即模型的X，Y），使用变量表示模型的参数。
总结
使用Tenforflow建模时，将模型的自变量和因变量定义为占位符（Placeholder），这样我们可以动态地指定自变量和因变量的值。
将模型的参数指定为变量（Variable），并给定一个初值，这样Tensorflow在求解模型参数过程中，其可以不断修改参数的值，直到模型能够和数据点吻合。
优化器是Tensorflow求解模型的工具，梯度下降是一种常用的优化器。