打印TensorFlow培训期间的损失

Question

我正在看TensorFlow"MNIST For ML Beginners"教程，我想在每个训练步骤后打印出训练损失。

我的训练循环目前看起来是这样的：

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

现在，train_step被定义为：

train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

其中cross_entropy是我要打印的损失：

cross_entropy = -tf.reduce_sum(y_ * tf.log(y))

打印它的一种方法是在训练循环中显式计算cross_entropy：

for i in range(100):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    print 'loss = ' + str(cross_entropy)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

我现在有两个问题：

1. 假设在sess.run(train_step, ...)期间已经计算了cross_entropy，那么两次计算它似乎是低效的，需要两倍于所有训练数据的前向通过次数。在sess.run(train_step, ...)期间计算cross_entropy的值时，是否有方法访问该值？

2. 如何打印tf.Variable？使用str(cross_entropy)时出现错误。。。

谢谢！

Answer 1

您可以通过将cross_entropy的值添加到sess.run(...)的参数列表中来获取该值。例如，您的for-循环可以重写如下：

for i in range(100):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    _, loss_val = sess.run([train_step, cross_entropy],
                           feed_dict={x: batch_xs, y_: batch_ys})
    print 'loss = ' + loss_val

同样的方法也可以用于打印变量的当前值。比方说，除了cross_entropy的值之外，您还想打印一个名为W的tf.Variable的值，您可以执行以下操作：

for i in range(100):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    _, loss_val, W_val = sess.run([train_step, cross_entropy, W],
                                  feed_dict={x: batch_xs, y_: batch_ys})
    print 'loss = %s' % loss_val
    print 'W = %s' % W_val

Answer 2

不要只运行training_step，还要运行cross_entropy节点，以便将其值返回给您。记住：

var_as_a_python_value = sess.run(tensorflow_variable)

会给你想要的，所以你可以这样做：

[_, cross_entropy_py] = sess.run([train_step, cross_entropy],
                                 feed_dict={x: batch_xs, y_: batch_ys})

运行训练并在迭代过程中计算出交叉熵的值。请注意，我将sess.run的参数和返回值都变成了一个列表，这样两者都会发生。