我正在为我的 tensorflow 工作区在单元测试系统中工作，我想知道是否有任何方法或属性，给定一个带有优化器操作的图形(在调用 .minimize() 之后)，以获得它正在优化的最终损失张量和它控制的变量。
例如，如果我调用train_op = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)我想检索cross_entropy只能访问train_op。
我可以访问train_op对象，我只想知道它引用了哪些损失以及哪些变量控制。
相当微不足道：
def build_graph():
cross_entropy = tf.nn.sigmoid_cross_entropy_with_logits(...)
train_op = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
return cross_entropy, train_op # both tensorflow OPs
cross_entropy, train_op = build_graph()
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# Evaluate and return cross_entropy, and execute the train_op (update the weights)
result = sess.run([cross_entropy, train_op], feed_dict={...})
print(result[0]) # The value of the cross entropy loss function
这里有许多优秀的教程：https://github.com/aymericdamien/TensorFlow-Examples
您会发现他们在完整的工作模型中正是这样做的。
如果您无法访问张量，则可以按名称在图中查找它：
tf.get_default_graph().get_tensor_by_name("example:0")
看到这个问题： 张量流：如何按名称获取张量？
请注意，如果你没有很好地命名你的张量，这将是后方的皇家痛苦，所以，这是命名你的张量的众多好理由之一。张量的默认名称将使用对操作的引用、冒号、索引号，例如"add：2"表示第三个添加操作。
您可以使用以下内容获取图形中所有张量的列表：
[n.name for n in tf.get_default_graph().as_graph_def().node]
该代码是从这个问题中复制的：在Tensorflow中，获取图中所有张量的名称
在评论中回答此后续问题：
我想知道哪一个是优化train_op没有 必须使用特定名称命名它们。所以给定一个train_op对象， 有没有办法检索张量(或张量的名称) 哪个表示train_op最小化的最后一个值？我需要它 因为我正在自动化一组单元测试，以便如果我插入 我的系统会自动找到的张量流模型，给定 优化器，表示损失的张量(这样我可以 自动执行梯度检查)。
作为我研究的一部分，我已经编写了一个梯度下降优化器。以下是您可以考虑的一些想法：
1)这是我在做同样的事情时遵循的优化器的链接： https://github.com/openai/iaf/blob/master/tf_utils/adamax.py 这是在python中实现AdaMax。你会对_apply_dense()感兴趣，它采用渐变及其变量并执行更新。为每个可训练变量调用它。请注意，tensorflow 中的大多数优化器都是用 C 编码的，而不是使用 python 接口。所以我不确定这是否有帮助，但更好地理解这个过程不会是一件坏事。
2)您可以获得任何变量相对于任何其他变量的梯度。因此，您可以使用tf.trainable_variables()获取可训练变量的集合，然后调用tf.gradients以获取可训练变量相对于损失函数的梯度。不过，您需要为此使用损失函数，而不是训练 OP。我希望您可以从优化器自动找到损失。
如果您只是想从训练 OP 中找到损失函数，您可以通过遵循图依赖关系找到您需要的内容，如以下问题中所述：如何列出节点依赖的所有 Tensorflow 变量？
这是我之前用来获取每个变量及其输入和输出的列表的一种方法。我怀疑你可以弄清楚如何遍历这个数据结构来找到你需要的东西。
tf.get_default_graph().as_graph_def()
Out[6]:
node {
name: "x"
op: "Const"
attr {
key: "dtype"
value {
type: DT_FLOAT
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_FLOAT
tensor_shape {
}
float_val: 42.0
}
}
}
}