函数原型：tf.placeholder(dtype, shape=None, name=None）
使用说明：该函数用于得到传递进来的真实的训练样本。同时也可以理解为形参，
用于定义过程，在执行的时候再赋具体的值。（相当于首先定义一个容器，包含容量、size等信息，真正调用的时候再往容器里面注入东西）
注意：不必指定初始值，可以在运行时，通过Session.run 函数的参数”feed_dict={x : value}”进行赋值
参数说明：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[1,2,3]
name：名称
实例：
import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32, shape=[24, 24])
y = tf.matmul(x, x)
with tf.Session() as sess:
print(sess.run(y)) # ERROR: 此处x还没有赋值.
rand_array = np.random.rand(24,24)
print(sess.run(y, feed_dict={x: rand_array})) # 这一步 x 将被赋值补充一点：
与tf.Variable 不同，tf.Variable 主要用于一些可训练变量（trainable variables），例如模型权重（weight）或者偏差值（bias）。
tf.Variable 在声明变量时，必须提供初始值。可以认为其声明的就是一个实参。名称的真是含义在于变量，换句话说变量的值会改变。