我正在阅读影响函数（ICML 2017最佳论文）的代码。在第190行有一个令人困惑的代码行，它什么也不返回self.sess.run(self.set_params_op, feed_dict=params_feed_dict)。相关代码片段如下：
params_feed_dict = {}
params_feed_dict[self.W_placeholder] = W
# params_feed_dict[self.b_placeholder] = b
self.sess.run(self.set_params_op, feed_dict=params_feed_dict)
if save_checkpoints:
self.saver.save(self.sess, self.checkpoint_file, global_step=0)
if verbose:
print('LBFGS训练花费了%s次迭代。' % model.n_iter_)
print('LBFGS训练后：')
self.print_model_eval()self.set_params_op是在初始化函数中通过以下函数赋值的（无论我是否执行，它都会被执行）：
def set_params(self):
self.W_placeholder = tf.placeholder(
tf.float32,
shape=[self.input_dim * self.num_classes],
name='W_placeholder')
set_weights = tf.assign(self.weights, self.W_placeholder, validate_shape=True)
return [set_weights]然后我尝试注释掉那行代码，但self.print_model_eval()的打印消息发生了变化。
关于print_model_eval()的有用代码片段定义如下：
def print_model_eval():
...
grad_loss_val, loss_no_reg_val, loss_val, train_acc_val = self.sess.run(
[self.grad_total_loss_op, self.loss_no_reg, self.total_loss, self.accuracy_op],
feed_dict=self.all_train_feed_dict)
test_loss_val, test_acc_val = self.sess.run(
[self.loss_no_reg, self.accuracy_op],
feed_dict=self.all_test_feed_dict)这些张量是通过以下方式获得的：
self.total_loss, self.loss_no_reg, self.indiv_loss_no_reg = self.loss(
self.logits,
self.labels_placeholder)以及
def loss(self, logits, labels):
labels = tf.one_hot(labels, depth=self.num_classes)
# correct_prob = tf.reduce_sum(tf.multiply(labels, tf.nn.softmax(logits)), reduction_indices=1)
cross_entropy = - tf.reduce_sum(tf.multiply(labels, tf.nn.log_softmax(logits)), reduction_indices=1)
indiv_loss_no_reg = cross_entropy
loss_no_reg = tf.reduce_mean(cross_entropy, name='xentropy_mean')
tf.add_to_collection('losses', loss_no_reg)
total_loss = tf.add_n(tf.get_collection('losses'), name='total_loss')
return total_loss, loss_no_reg, indiv_loss_no_reg我的问题是：
sess.run()没有返回值是如何影响其他张量的计算的？- 调试TensorFlow代码的最佳实践是什么？
任何建议都将不胜感激。提前谢谢您。
回答：
在TensorFlow的非急切执行模式下，首先你创建一个包含操作的图。然后，在会话中运行这些操作。某些操作，比如变量的初始化，不返回任何东西。它们只是将值赋给图中的变量。
这里，self.set_params_op听起来像是这种类型的操作。它可能是在设置某些参数的值。如果你将其注释掉，我的猜测是这些参数没有被设置为“训练后”的值。因此，当你评估模型时，会得到不同的结果。
