[参考link]
tf.placeholder() - 占位
功能：
在神经网络构建graph时，在模型中的占位声明，暂时储存变量。
如果把Tensorflow构建的graph看作一个函数的话，一个tf.placeholder()就定义一个graph入口变量，相当于一个函数的传参。如果想要从外部传入data到graph入口, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据。
函数形式：
tf.placeholder(
dtype,
shape=None,
name=None
)
参数：
dtype：数据类型。
常用的是tf.float32,tf.float64等数值类型
shape：数据形状。
一般用于样本数据batch输入时的数据shape定义。比如(样本特征60维)：
-1- 在训练模型时在训练的时候可能是100条样本一起训练进行迭代参数，这是就是[100,60]
-2- 在预测概率时，如果一个一个预测，这时候 batch_size 就为[1,60]
由于模型graph又用于训练，又用于预测，一般行数不限制，就写成None。
也可以是多维，比如：
[2,3]表示是2行3列
[None, 3]表示行不定，列是3
[None, ]表示
name：占位名称。
tf.Variable() - 变量
功能：
用于生成一个有初始值的变量。必须指定初始化值。
函数形式：
tf.Variable(
initial_value=None,
trainable=True,
collections=None,
validate_shape=True,
caching_device=None,
name=None,
variable_def=None,
dtype=None,
expected_shape=None,
import_scope=None,
constraint=None
)
参数：
initial_value
Tensor或可转换为Tensor的Python对象，它是Variable的初始值。
除非validate_shape设置为False，否则初始值必须具有指定的形状。
也可以是一个可调用的，没有参数，在调用时返回初始值。
在这种情况下，必须指定dtype。
（请注意，init_ops.py中的初始化函数必须首先绑定到形状才能在此处使用。）
trainable
如果为True，则会默认将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。
此集合用于优化器Optimizer类优化的的默认变量列表【可为optimizer指定其他的变量集合】，可就是要训练的变量列表。
collections
一个图graph集合列表的关键字。
新变量将添加到这个集合中。默认为[GraphKeys.GLOBAL_VARIABLES]。
也可自己指定其他的集合列表；
validate_shape
如果为False，则允许使用未知形状的值初始化变量。
如果为True，则默认为initial_value的形状必须已知。
caching_device
可选设备字符串，描述应该缓存变量以供读取的位置。
默认为Variable的设备。如果不是None，则在另一台设备上缓存。
典型用法是在使用变量驻留的Ops的设备上进行缓存，以通过Switch和其他条件语句进行重复数据删除。
name
变量的可选名称。默认为“Variable”并自动获取。
variable_def
VariableDef协议缓冲区。
如果不是None，则使用其内容重新创建Variable对象，引用图中必须已存在的变量节点。
图表未更改。 variable_def和其他参数是互斥的。
dtype
如果设置，则initial_value将转换为给定类型。如果为None，则保留数据类型（如果initial_value是Tensor），或者convert_to_tensor将决定。
expected_shape
TensorShape。如果设置，则initial_value应具有此形状。
import_scope
可选字符串。要添加到变量的名称范围。仅在从协议缓冲区初始化时使用。
constraint
tf.get_variable() - 共享变量
功能：
获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。
函数形式：
tf.get_variable(
name,
shape=None,
dtype=None,
initializer=None,
regularizer=None,
trainable=True,
collections=None,
caching_device=None,
partitioner=None,
validate_shape=True,
use_resource=None,
custom_getter=None,
constraint=None
)
参数：
name
新变量或现有变量的名称。
shape
新变量或现有变量的形状。
dtype
新变量或现有变量的类型（默认为DT_FLOAT）。
initializer
如果创建了则用它来初始化变量。
regularizer
A（Tensor - > Tensor或None）函数;将它应用于新创建的变量的结果将添加到集合tf.GraphKeys.REGULARIZATION_LOSSES中，并可用于正则化。
trainable
如果为True，还将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES（参见tf.Variable）。
collections
要将变量添加到的图表集合列表。默认为[GraphKeys.GLOBAL_VARIABLES]（参见tf.Variable）。
caching_device
可选的设备字符串或函数，描述变量应被缓存以供读取的位置。默认为Variable的设备。如果不是None，则在另一台设备上缓存。典型用法是在使用变量驻留的Ops的设备上进行缓存，以通过Switch和其他条件语句进行重复数据删除。
partitioner
可选callable，接受完全定义的TensorShape和要创建的Variable的dtype，并返回每个轴的分区列表（当前只能对一个轴进行分区）。
validate_shape
如果为False，则允许使用未知形状的值初始化变量。如果为True，则默认为initial_value的形状必须已知。
use_resource
如果为False，则创建常规变量。如果为true，则使用定义良好的语义创建实验性ResourceVariable。默认为False（稍后将更改为True）。在Eager模式下，此参数始终强制为True。
custom_getter
Callable，它将第一个参数作为true getter，并允许覆盖内部get_variable方法。 custom_getter的签名应与此方法的签名相匹配，但最适合未来的版本将允许更改：def custom_getter（getter，* args，** kwargs）。也允许直接访问所有get_variable参数：def custom_getter（getter，name，* args，** kwargs）。一个简单的身份自定义getter只需创建具有修改名称的变量是：python def custom_getter（getter，name，* args，** kwargs）：return getter（name +'_suffix'，* args，** kwargs）
constraint
tf.constant() - 常量
功能：
模型graph中的一个常量。
函数形式：
tf.constant(
value,
dtype=None,
shape=None,
name="Const",
verify_shape=False
)
参数：
value
dtype
shape
name
verify_shape
