我的意思是，如果我有如下图结构：
images, labels = load_batch(...)with slim.arg_scope(inception_resnet_v2_arg_scope()): logits, end_points = inception_resnet_v2(images, num_classes = dataset.num_classes, is_training = True)predictions = tf.argmax(end_points['Predictions'], 1)accuracy, accuracy_update = tf.contrib.metrics.streaming_accuracy(predictions, labels)....train_op = slim.learning.create_train_op(...)在图上下文中使用监督器的managed_session作为sess，我偶尔会运行以下代码：
print sess.run(logits)print sess.run(end_points['Predictions'])print sess.run(predictions)print sess.run(labels)考虑到批次张量必须从load_batch开始，然后才能到达logits、predictions或labels，那么每次sess.run是否会调用不同的批次数据？因为现在当我运行这些会话时，我得到的结果非常混乱，即使是预测结果也不匹配tf.argmax(end_points['Predictions'], 1)，尽管模型的准确率很高，但我得到的预测结果与标签完全不匹配，无法达到那种高准确率。因此我怀疑每次sess.run的结果可能来自不同的数据批次。
这让我想到了我的下一个问题：当一个批次从load_batch一直到train_op，并且实际运行的是sess.run时，有没有办法检查图中不同部分的结果？换句话说，有没有办法在不调用另一个sess.run的情况下做到我想要的？
另外，如果我用sess.run的方式检查结果，这样做会不会影响我的训练，使得一些数据批次被跳过而无法到达train_op？
回答：
我意识到使用单独的sess.run运行存在问题，因为加载的数据总是不同的。相反，当我做如下操作时：
logits, probabilities, predictions, labels = sess.run([logits, probabilities, predictions, labels])print 'logits: \n', logitsprint 'Probabilities: \n', probabilitiesprint 'predictions: \n', predictionsprint 'Labels:\n:', labels所有这些量都非常符合我的预期。我还尝试使用tf.Print，写了如下代码：
logits = tf.Print(logits, [logits], message = 'logits: \n', summarize = 100)在定义logits之后立即执行，这样它们就可以在运行train_op的同一个会话中被打印出来。然而，打印出来的结果相当混乱，所以我更喜欢第一种方法，即在一个会话中运行所有内容以获取值，然后像numpy数组一样正常打印它们。
