Python 需要知道变量在Tensorflow中的更新时间和次数

在我的Tensorflow项目中，我需要知道下面定义的

train_op

是否更新了某个变量，如果更新了，会更新多少次

对于前馈网络，这很简单，一个

train_op

调用会导致变量的一次性更新，但对于递归网络，一个

train_op

将导致

num_steps

更新，但由于我在递归层中有自己的变量，我不确定他们是更新了

num\u步数

次还是只更新了一次

tf.reset_default_graph()
tf.InteractiveSession()
__N = 10
tf_w0 = tf.get_variable(name="w0",\
                   initializer=tf.constant(value=10.00,shape=[__N]),
                   dtype=tf.float32,\
                   trainable=True)

tf_counter = tf.get_variable(name="counter",\
                   initializer=tf.constant(value=0.0,shape=[]),
                   dtype=tf.float32,\
                   trainable=False)

loss = tf.square(tf_w0)

optimizer = tf.train.AdamOptimizer(learning_rate=1e-3)
grads_vars = optimizer.compute_gradients(loss=loss, var_list=tf.trainable_variables()) 

train_op = optimizer.apply_gradients(grads_vars)

如何将计数器附加到变量，以便每次

train\u op

更新时，计数器也应递增？ 这样，我就知道Tensorflow的递归层中的变量（我有自己修改过的递归层，代码有点乱）是否得到了应有的更新

---

提前谢谢。

我很确定重复权重只更新一次。重量在向前传球中重复使用多次。在后退过程中计算多个渐变。将这些渐变添加到一起，然后进行单个更新。

有一种方法可以实现您想要的功能，但它相当复杂。你似乎有一些不正确的假设。我会尽力澄清一些事情，希望你不会真的需要柜台

通常，变量在每次调用时更新一次。如果您的操作既不在while循环中（很可能不是，这是一个高级概念），也不在while循环中，那么它最多只能执行一次。如果您正在使用自动微分（例如，

优化器.compute_gradients

）而不是自己添加梯度计算操作，则所有梯度将在应用于变量之前进行计算和聚合。应用程序只执行一次，除非您多次调用

optimizer.apply_gradients（）

apply_gradients

是一个函数，用于创建变异变量的操作

即使是RNN也是如此。在RNN的情况下，梯度计算是在while循环中进行的，但是一旦计算了梯度，它们仍然在循环之外应用一次

如果你真的想添加一个计数器。以下是您可以采取的粗略方法：

• 在图形中查找所有使变量

  v

  变异的操作。这些操作包括

  AssignVariableOp

  ，

  AssignAddVariableOp

  等。为此，您可以循环图形操作并匹配其类型和输入。（上面的推理基本上是说，只要使用通常的TensorFlow习惯用法，就只有一个这样的操作）
• 为计数器

  c

  创建一个变量
• 对于您在上面找到的每个变异操作，创建一个

  assign\u add（c，1）

  操作，并将它的控制依赖项添加到变异操作中。这样，在执行变异之前，TensorFlow将执行

  assign\u add

  ，这将增加您的计数器