我有一个快速的问题。我正在开发一个TensorFlow模型，在构建阶段需要在公式中使用迭代次数。我知道如何使用global_step，但我不使用现有的优化器。我使用以下代码计算自己的梯度：

grad_W, grad_b = tf.gradients(xs=[W, b], ys=cost)grad_W = grad_W +rnd.normal(0,1.0/(1+epoch)**0.55)

然后使用

new_W = W.assign(W - learning_rate * (grad_W))new_b = b.assign(b - learning_rate * (grad_b))

我想在更新权重之前在公式中使用epoch值。我该如何以最佳方式实现这一点？我有一个sess.run()部分，并且希望将epoch编号传递给模型，但不能直接使用张量。在我的运行调用中

_, _, cost_ = sess.run([new_W, new_b ,cost],       feed_dict = {X_: X_train_tr, Y: labels_, learning_rate: learning_r})

我想传递epoch编号。您通常是如何做的？

提前感谢，Umberto

编辑：

感谢您的提示。看起来似乎有效

grad_W = grad_W + tf.random_normal(grad_W.shape,       0.0,1.0/tf.pow(0.01+tf.cast(epochv, tf.float32),0.55))

但我还需要看看这是否是我需要的，以及是否按预期工作。欢迎提供建议和反馈！

回答：

您可以将epoch定义为图中的非可训练tf.Variable，并在每个epoch结束时增加它的值。您可以使用tf.assign_add定义一个操作来进行增加，并在每个epoch结束时运行它。

您还需要使用tf.random_normal代替rnd.normal。

示例：

epoch = tf.Variable(0, trainable=False) # 0 是初始值# 当下一个操作运行时增加1epoch_incr_op = tf.assign_add(epoch, 1, name='incr_epoch')# 定义任何依赖于'epoch'的操作# 注意我们需要将整数'epoch'转换为浮点数以便在tf.pow中使用grad_W = grad_W + tf.random_normal(grad_W.shape, 0.0,                                  1.0/tf.pow(1+tf.cast(epoch, tf.float32), 0.55))# 训练循环while running_epoch:    _, _, cost_ = sess.run([new_W, new_b ,cost],        feed_dict = {X_: X_train_tr, Y: labels_, learning_rate: learning_r})# 在epoch结束时，增加epoch计数器sess.run(epoch_incr_op)