我正在尝试在一个卷积神经网络上进行前向传递，该网络包含一个卷积层，后跟一个池化层，最后是一个整流线性单元（ReLU）激活层。输入数据和卷积层滤波器的详细信息如下：
X：4维输入数据，形状为[N, H, W, C]，其中N = 60000是批量大小，H = 32是输入图像的高度，W = 32是输入图像的宽度，C = 1是输入图像的通道数。W：4维卷积滤波器，形状为[F, F, C, Cout]，其中F = 3是滤波器的高度和宽度，C = 1是输入图像的通道数，Cout = 6是输出图像的通道数。
有三种方法可以实现这一点。
方法1：不使用tf.constant()或tf.placeholder()
方法2：使用tf.constant()
方法3：使用tf.placeholder()
方法3（使用tf.placeholder()）的运行速度比方法1和方法2快了近4-5倍。所有这些实验都是在NVIDIA GeForce GTX 1080 GPU上进行的。
问题是为什么在方法3中仅使用tf.placeholder()就能比方法1和方法2快近4-5倍？在其底层实现中，tf.placeholder()做了什么，才使得其性能如此出色？
回答：
感谢@y.selivonchyk 提供了宝贵的实验数据，但我想答案并没有详细说明这些结果为何会出现。
我认为这并不完全是因为‘占位符’有多好，而是因为另外两种方法的实现方式不佳。
我猜想方法1和方法2实际上是相同的，方法1可能在底层将数组转换为常量——至少这可以解释它们表现出相同的行为。
方法1和方法2耗时如此之长的原因是constant被显式嵌入到计算图中。因为它们是相当大的张量，这解释了为什么构建图需要这么长时间。然而，一旦图构建完成，后续运行会更快，因为一切都“包含”在其中。一般来说，您应该尽量避免将大量数据包含在图本身中——图理想情况下应该只是计算指令的集合（即Tensorflow操作）。
在方法3中，图构建速度更快，因为我们没有在其中嵌入巨大的数组，只是一个符号占位符。然而，执行速度比方法1和方法2慢，因为每次都需要将值馈送到占位符中（这也意味着如果您在GPU上运行，数据需要传输到GPU上）。
