Variables Tensorflow：关于会话运行后的变量值？

在张量中，我不理解变量的值。下面是我的代码，我想以后我会的

  sess.run()

应该计算W的值，但是，打印后，我发现它没有改变

该代码是来自TensorFlow网站的示例代码。任何人都可以解释为什么W没有改变

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

mnist = input_data.read_data_sets("MNIST_dat/",one_hot=True)

x= tf.placeholder(tf.float32,[None,784])#need input x

W= tf.Variable(tf.zeros([784,10]))

b= tf.Variable(tf.zeros([10]))

y= tf.nn.softmax(tf.matmul(x,W)+b)


y_= tf.placeholder(tf.float32,[None,10])#need input y

cross_entropy = tf.reduce_mean(-tf.reduce_mean(y_*tf.log(y),reduction_indices=[1]))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})

ww=W.eval(sess)
print(ww)

---

好的，当我运行代码时，我得到的输出如下

[[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] 但是你必须意识到，W是784乘以100个元素，这个显示只显示了开头和结尾的几个值。对于MNIST中的大多数图像，第一个像素和最后几个像素将不那么重要（实际的重要数据在中间的某个地方，绘制实际的数字，对不对？）。但是如果我把打印语句改为

print(ww.min(), ww.max()) 打印（ww.min（），ww.max（）） 我得到这个输出

-0.330358 0.429428

---

这意味着一些权重正在进行训练，正如预期的那样。

好的，当我运行代码时，我得到的输出如下所示

[[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] 但是你必须意识到，W是784乘以100个元素，这个显示只显示了开头和结尾的几个值。对于MNIST中的大多数图像，第一个像素和最后几个像素将不那么重要（实际的重要数据在中间的某个地方，绘制实际的数字，对不对？）。但是如果我把打印语句改为

print(ww.min(), ww.max()) 打印（ww.min（），ww.max（）） 我得到这个输出

-0.330358 0.429428

---

这意味着一些重量正在按预期进行训练。

我知道，实际上，W发生了变化。感谢Sprinting min和max并没有告诉你多少，但如果你打印W的绝对值之和，你可以将其视为衡量你的重量训练了多少，离原来的零有多远。玩得开心，机器学习很棒。我明白了，事实上，W变了。Thanking min和max并没有告诉你多少，但如果你打印出W的绝对值之和，你可以将其视为衡量你的体重训练了多少，离原来的零有多远。玩得开心，机器学习真是太棒了。