Python 如何在不更新tensorflow模型的情况下计算损耗

据我所知，下面的代码将同时计算损失和更新模型中的参数

_, c = sess.run([optimizer, loss], feed_dict={x:x, y:y})

那么，如何在不更新模型的情况下计算损失呢

_, c1 = sess.run([optimizer, loss], feed_dict={x:x, y:y})
_, c2 = sess.run([optimizer, loss], feed_dict={x:x, y:y})

例如，

c1！=c2

因为第一行已经更新了模型

更新1 我已经尝试了下面的代码，只是在没有优化器的情况下运行

c1 = sess.run([loss], feed_dict={x:x, y:y})
c2 = sess.run([loss], feed_dict={x:x, y:y})

但c1仍然不等于c2

更新2

---

我的模型中的退出层会导致我的

UPDATE1

中c1和c2的差异来计算损失，而无需更新模型，只需运行

loss

操作，无需

优化器

操作

c = sess.run(loss, feed_dict={x:x, y:y})

请注意，当您运行

sess.run（[optimizer，loss]，feed_dict={x:x，y:y}）

时，您会在应用更新之前获得损失值，因此运行：

_, c1 = sess.run([optimizer, loss], feed_dict={x:x, y:y})
c2 = sess.run(loss, feed_dict={x:x, y:y})

---

仍然会产生不同的

c1

和

c2

值，因为

c2

是更新模型后的损失值。

感谢您的快速响应，我刚刚更新了我的问题以供您回答。不要使用

，c1

，只需使用

c1

@Akhilesh updated，很抱歉typo@Akhilesh事实上它应该是

c1、

（带逗号）或

c1

（不带逗号），但去掉

loss

周围的括号。如果只操作

loss

，权重将不会更新，如@jdehesa所说。在你的模型中是否有一些随机操作，比如辍学？

c1

和

c2

有很大的不同吗？@YuwenYan，绝对！！！dropout从网络中选择随机神经元，并根据所选神经元计算损失。如果要交叉验证，可以在

退出（）中使用
种子
。