# 占位符 雖然常量允許我們在定義張量時提供值，但占位符允許我們創建可在運行時提供其值的張量。 TensorFlow 為`tf.placeholder()`函數提供以下簽名以創建占位符： ```py tf.placeholder( dtype, shape=None, name=None ) ``` 例如，讓我們創建兩個占位符并打印它們： ```py p1 = tf.placeholder(tf.float32) p2 = tf.placeholder(tf.float32) print('p1 : ', p1) print('p2 : ', p2) ``` 我們看到以下輸出： ```py p1 : Tensor("Placeholder:0", dtype=float32) p2 : Tensor("Placeholder_1:0", dtype=float32) ``` 現在讓我們使用這些占位符定義一個操作： ```py op4 = p1 * p2 ``` TensorFlow 允許使用速記符號進行各種操作。在前面的例子中，`p1 * p2`是`tf.multiply(p1,p2)`的簡寫： ```py print('run(op4,{p1:2.0, p2:3.0}) : ',tfs.run(op4,{p1:2.0, p2:3.0})) ``` 上面的命令在 TensorFlow 會話中運行`op4`，為`p1`和`p2`的值提供 Python 字典（`run()`操作的第二個參數）。 輸出如下： ```py run(op4,{p1:2.0, p2:3.0}) : 6.0 ``` 我們還可以使用`run()`操作中的`feed_dict`參數指定字典： ```py print('run(op4,feed_dict = {p1:3.0, p2:4.0}) : ', tfs.run(op4, feed_dict={p1: 3.0, p2: 4.0})) ``` 輸出如下： ```py run(op4,feed_dict = {p1:3.0, p2:4.0}) : 12.0 ``` 讓我們看一下最后一個例子，向量被送到同一個操作： ```py print('run(op4,feed_dict = {p1:[2.0,3.0,4.0], p2:[3.0,4.0,5.0]}) : ', tfs.run(op4,feed_dict = {p1:[2.0,3.0,4.0], p2:[3.0,4.0,5.0]})) ``` 輸出如下： ```py run(op4,feed_dict={p1:[2.0,3.0,4.0],p2:[3.0,4.0,5.0]}):[ 6\. 12\. 20.] ``` 兩個輸入向量的元素以元素方式相乘。