Python 参数值在tensorflow中的tf.Session（）之外可用吗？

我是tensorflow的新手，我正在学习本教程，该教程旨在训练神经网络

我的问题是：

（1） 我现在知道tf.Session用于训练和评估NN。但是，如果在sess之外（例如，线从#样本从后面开始），优化程序训练的参数值是否仍然可用？（它们是全局变量还是sess中的局部变量）。或者它仍然可用，因为它使用相同的SES？ 如果我想使用这些参数来评估我的目标函数，我总是可以简单地用sess.run调用它们？如果我的代码中有几个训练步骤呢

（2） 此代码使用所有培训数据进行一次更新，对吗？我可以换成新加坡元吗？（为什么此处使用AdmaOptimizer而不是Backprop？） 对于这个变分辍学问题，辍学者将在培训和测试课程中保留。AdmaOptimizer和Backprop是否能够自动考虑辍学？（看起来很聪明…）或者如果我使用Backprop会有问题吗

（3） 培训程序仅通过tf更新定义的变量。变量（本例中的M和M）是否正确？那些中间变量呢？（本例中为W）

谢谢

（1）由于使用相同的SES，它是否仍然可用

对。变量在创建会话时初始化。它们甚至不存在于会话之外。如果您在一个会话中训练了一个网络，然后想要运行推理，那么它就和sess一样简单。运行（[your_output\u op]，feed\u dict=…）

请注意，tensorflow中实际上有4种类型的张量（数据）：

1） 占位符-

tf.placeholder（…）

-这些是需要使用feed\u dict传递到网络中的张量。请注意，如果在计算中不使用占位符，则不需要传递它。最明显的例子是你的标签，这是在培训期间需要的，而不是推理时间

2） 变量-

tf.Variable（…）

-这些是可变的张量，在调用

sess.run（）

（关闭会话后没有任何东西保留）。一个常见的例子是神经网络的权重

3） 运算（计算张量）tf.add（a，b）-运算（operation）是计算图的一部分。损失函数的结果就是一个例子。这些值在调用

sess.run

期间不会保留，而是在调用

sess.run

期间动态计算（如果需要）

4） 常量-

tf.常量（42）

，顾名思义

（2）优化器是OP（tensorflow操作），它实际根据backprop更新权重变量。优化器（如Adam、SGD、Rmsprop等）将更新所有GraphKeys.TRAINABLE_变量（所有可训练变量的默认集合），但是，当您变得更高级时，您可以具体定义优化器更新哪些变量（当您遇到此类用例时，它们是非常重要的用例）。请注意，Adam是许多此类优化器之一。简单SGD（随机梯度下降）是另一个这样的优化器。将亚当视为SGD的更精致版本

（3）试着打印出所有可训练的变量，看看有什么。以下是优化器默认操作的变量：

可训练变量集合是tensorflow中的标准约定。大多数tensorflow操作都会知道默认情况下是否应该将变量添加到可训练的_变量中，并在不需要担心的情况下做正确的事情。任何时候使用

tf.Variable（…）

定义权重时，默认情况下，您创建的变量将添加到可训练变量集合中

with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(10000):
    sess.run(train_step, {model_X: X, model_y: y})
    if i % 100 == 0:
        mse = sess.run(model_mse, {model_X: X, model_y: y})
        print("Iteration {}. Mean squared error: {:.4f}.".format(i, mse))

# Sample from the posterior.
n_post = 1000
Y_post = np.zeros((n_post, X_pred.shape[0]))
for i in range(n_post):
    Y_post[i] = sess.run(model_pred, {model_X: X_pred})