x = tf.placeholder(tf.float32, [None, 64*64])替换为tf.data

可以使用`tf.data.Dataset`来代替`tf.placeholder`：

# 假设数据已经准备好并加载到内存中
train_data = ...
test_data = ...

# 创建训练数据集
train_dataset = tf.data.Dataset.from_tensor_slices(train_data)
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(batch_size)

# 创建测试数据集
test_dataset = tf.data.Dataset.from_tensor_slices(test_data)
test_dataset = test_dataset.shuffle(buffer_size=1024).batch(batch_size)

# 创建迭代器
iterator = tf.data.Iterator.from_structure(train_dataset.output_types, train_dataset.output_shapes)
x = iterator.get_next()

# 初始化迭代器
train_init_op = iterator.make_initializer(train_dataset)
test_init_op = iterator.make_initializer(test_dataset)

# 在训练和测试期间使用适当的初始化操作来初始化迭代器
with tf.Session() as sess:
    sess.run(train_init_op)
    # 开始训练
    # ...
    sess.run(test_init_op)
    # 开始测试
    # ...

在这个例子中，我们将训练数据和测试数据加载到内存中，并使用`tf.data.Dataset.from_tensor_slices`方法创建数据集。我们还使用`shuffle`方法对数据进行随机排列，并使用`batch`方法将数据划分为批次。我们还使用`tf.data.Iterator`从数据集中获取下一个元素，并使用`make_initializer`方法为数据集创建初始化操作。在训练和测试期间，我们使用适当的初始化操作来初始化迭代器。