python - 是否可以在每个训练步骤中获得目标函数值？

Question

在通常的TensorFlow训练循环中，比如

train_op = tf.train.AdamOptimizer().minimize(cross_entropy)

with tf.Session() as sess:
    for i in range(num_steps):
        # ...
        train_op.run(feed_dict = feed_dict)

train_op.run 返回 None。

但是，有时收集中间结果很有用，例如目标值或准确性。

添加额外的 sess.run 调用将需要再次进行前向传播，从而增加运行时间:

train_op = tf.train.AdamOptimizer().minimize(cross_entropy)

with tf.Session() as sess:
    for i in range(num_steps):
        # ...
        o, a = sess.run([objective, accuracy], feed_dict = feed_dict)
        train_op.run(feed_dict = feed_dict)

是否可以在 TensorFlow 中一次完成此操作？

---

编辑:

人们建议

sess.run([objective, accuracy, train_op], feed_dict = feed_dict)

但结果取决于列表元素的执行顺序:

[objective, accuracy, train_op]

似乎未定义 -- you get different results depending on whether CUDA is being used .

Answer 1

只需将您的 train_op 添加到要评估的节点列表中即可。

o, a, _ = sess.run([objective, accuracy, train_op], feed_dict = feed_dict)

关于训练步骤及其在评估中的顺序，我做了如下小实验:

import tensorflow as tf
x = tf.Variable(0, dtype=tf.float32)
loss = tf.nn.l2_loss(x-1)
train_opt = tf.train.GradientDescentOptimizer(1)
train_op = train_opt.minimize(loss)
init_op = tf.global_variables_initializer()

sess = tf.Session()
sess.run(init_op)
x_val, _, loss_val = sess.run([x, train_op, loss])
# returns x_val = 1.0, loss_val = 0.5

情况比我最初想象的还要困惑。似乎给定的是，提取的执行顺序不取决于它们在列表中的各自位置:x_val 和 loss_val 将是相同的，独立于它们列表中的位置。

但是，正如@MaxB 所注意到的，它们的执行顺序是无法保证的。在 GPU 上运行上述代码时，x_val 设置为 0.0，即初始值。但是，在 CPU 上运行时，x_val 为 1.0，即 train_op 更新后的值。

这种依赖于配置的行为可能仅限于通过训练操作更新的变量，正如上面的实验所表明的，但不能保证它们来自 tf 的文档。