问题在于，仅仅更改tf.train.AdamOptimizer中的learning_rate参数是否真的会导致行为上的变化：假设代码如下所示：

myLearnRate = 0.001...output = tf.someDataFlowGraphtrainLoss = tf.losses.someLoss(output)trainStep = tf.train.AdamOptimizer(learning_rate=myLearnRate).minimize(trainLoss)with tf.Session() as session:    #第一个训练步骤    session.run(trainStep, feed_dict = {input:someData, target:someTarget})    myLearnRate = myLearnRate * 0.1    #第二个训练步骤    session.run(trainStep, feed_dict = {input:someData, target:someTarget})

降低的myLearnRate会在第二个trainStep中应用吗？也就是说，节点trainStep的创建是否只被评估一次：

trainStep = tf.train.AdamOptimizer(learning_rate=myLearnRate).minimize(trainLoss)

还是说它会在每次session.run(train_step)时被评估？我怎样才能在Tensorflow的AdamOptimizer中检查学习率是否发生了变化？

免责声明1：我知道手动更改学习率是不好的做法。免责声明2：我知道有一个类似的提问，但它是通过将一个张量作为learnRate输入解决的，这个张量在每次trainStep中都会更新（这里）。这让我倾向于认为，只有当AdamOptimizer中的learning_rate输入为张量时才会起作用，但我对此并不确定，也无法理解背后的原因。

回答：

简短的回答是，不，你的新学习率没有被应用。TF在首次运行时构建图表，在运行时更改Python端的内容不会反映到图表中。然而，你可以很容易地将新的学习率输入到你的图表中：

# 在图表中使用占位符来表示用户定义的学习率learning_rate = tf.placeholder(tf.float32)# ...trainStep = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(trainLoss)applied_rate = 0.001  # 我们将在每个训练步骤更新这个值with tf.Session() as session:    #第一个训练步骤，将我们应用的速率输入到图表中    session.run(trainStep, feed_dict = {input: someData,                                        target: someTarget,                                        learning_rate: applied_rate})    applied_rate *= 0.1  # 更新我们输入到图表的速率    #第二个训练步骤    session.run(trainStep, feed_dict = {input: someData,                                        target: someTarget,                                        learning_rate: applied_rate})