我希望有人可以解释Keras中的输入层和Tensorflow中的占位符之间的差异（如果有的话）？
我调查的越多，两者看起来越相似，但到目前为止，我不相信100％ .
Here is what I have observed in favor of the claim that Input Layers and tf Placeholders are the same:
1）从keras.Input（）返回的张量可以像tf.Session的run方法的feed_dict中的占位符一样使用 . 下面是使用Keras的简单示例的一部分，它添加了两个张量（a和b）并将结果与第三张量（c）连接起来：
model = create_graph()
con_cat = model.output[0]
ab_add = model.output[1]
# These values are used equivalently to tf.Placeholder() below
mdl_in_a = model.input[0]
mdl_in_b = model.input[1]
mdl_in_c = model.input[2]
sess = k.backend.get_session()
a_in = rand_array() # 2x2 numpy arrays
b_in = rand_array()
c_in = rand_array()
a_in = np.reshape( a_in, (1,2,2))
b_in = np.reshape( b_in, (1,2,2))
c_in = np.reshape( c_in, (1,2,2))
val_cat, val_add = sess.run([con_cat, ab_add],
feed_dict={ mdl_in_a: a_in, mdl_in_b: b_in, mdl_in_c: c_in})
2）来自Tensorflow Contrib的关于Keras的文档Input Layer在其论点描述中提到了占位符：
“sparse：一个布尔值，指定要创建的占位符是否稀疏”
Here is what I have observed in favor of the claim that Input Layers and tf Placeholders are NOT the same:
1）我见过人们使用tf.Placeholder而不是输入层返回的Tensor . 就像是：
a_holder = tf.placeholder(tf.float32, shape=(None, 2,2))
b_holder = tf.placeholder(tf.float32, shape=(None, 2,2))
c_holder = tf.placeholder(tf.float32, shape=(None, 2,2))
model = create_graph()
con_cat, ab_add = model( [a_holder, b_holder, c_holder])
sess = k.backend.get_session()
a_in = rand_array() # 2x2 numpy arrays
b_in = rand_array()
c_in = rand_array()
a_in = np.reshape( a_in, (1,2,2))
b_in = np.reshape( b_in, (1,2,2))
c_in = np.reshape( c_in, (1,2,2))
val_cat, val_add = sess.run([con_cat, ab_add],
feed_dict={ a_holder: a_in, b_holder: b_in, c_holder: c_in})
1 回答
Input（）返回创建占位符的句柄，不创建其他tf运算符; Tensor代表操作输出和占位符，因此没有矛盾 .
要分析Input（）创建的确切内容，请运行以下代码：
然后：
并从您的控制台启动Tensorboard：
看看结果：
