我正在编写以下格式的tensorflow图：

def process_label(label):    return some_operation(label.eval())Input: X, Labeloutput,state = NN_Layers()processed_output = process_data(output)processed_label = process_label(processed_output, Label)loss = cross_entropy(processed_output, processed_label)optimize = GradientDescentOptimizer.minimize(loss)Session.run(optimize, feed_dict{X:input, Label:label})

这个模型的问题在于，为了按我想要的方式处理标签从而计算损失，我需要获取output的值。如果我在这里尝试使用output.eval(session)，它将不起作用，因为我的会话将执行整个图，因此我只能在最后调用它。

我想知道是否有办法将这个图分成两部分，同时仍然让梯度下降通过网络工作，或者是否有其他方法可以做到这一点。

回答：

这些方法可能存在缺陷，但这里有两个起始的想法：1）简单 vs. 2）高效：

1）将所有内容放在一个图中，就好像你已经有了想要的标签。执行一次以获取输出（只需提供计算输出的必要占位符，tensorflow不会要求标签占位符）。然后运行训练操作，提供标签占位符以及再次提供计算输出的必要占位符。它将重新运行所有操作来计算“outputs”，所以效率不高。

2）使用两个独立的图（可能也需要两个会话？）。在图1中计算输出以及输出相对于可训练变量的梯度（tf.gradients），按需计算你的标签，在图2中计算损失相对于输出的梯度（tf.gradients）（输出在图2中是一个占位符），乘以梯度以获取损失相对于变量的梯度，并在图1中使用optizer.apply_gradients()。

编辑：实际上，在选项2中，你可以使用一个图。你可以在计算d_loss/d_output时直接将输出反馈到输出张量中，绕过计算输出的操作。即feed_dict不限于占位符。