我在TensorFlow中为TD(Lambda)编写了一个自定义训练循环，我希望创建一个日志，用于存储在每个epoch期间计算的一些变量。

在numpy中，我会在每个epoch结束时写类似于list.append(variable_that_I_want_to_save)的代码

但在tf急切执行模式下这是不可行的。

如何保存tf.function中tf.Variable在迭代过程中取的值呢？

非常感谢您提前付出的努力来回复这个问题 – 我认为这应该是一个相当简单的事情。

附注：我应该补充一点，训练是在一个类中进行的，所以tf.concat不能解决这个问题，因为我无法将连接后的张量重复赋值给training_loop类的实例变量…

以下是我所做事情的伪代码：

class Trainer:   def __init__(self, model):      self.model = model   def train(xs,ys,lambda):      for x,y in zip(xs,ys):         learn(x,y,lambda)   def learn(x,y,lambda):      err = y - self.model(x)      model.apply_weights( grad(err) * self.custom_alpha( self.model.weights )   def custom_optimizer(  weights ):      x = some operations with weights       alpha = some operation with x      return alpha

由于保密协议，我无法分享更多具体信息，但我希望记录的是x取的值

回答：

像这样的解决方案对您有用吗？我在类中添加了一个属性来存储日志。

class Trainer:    def __init__(self, model):        self.model = model        self.log_variable = []    def train(self, xs, ys, lambda):        for x,y in zip(xs,ys):            v = learn(x,y,lambda)            self.log_variable.append(v.numpy())    @tf.function    def learn(self, x, y, lambda):        err = y - self.model(x)        model.apply_weights( grad(err) * self.custom_alpha( self.model.weights )        return variable_that_I_want_to_save    def custom_optimizer( weights ):        x = some operations with weights         alpha = some operation with x        return alpha    def get_log(self):        return self.log_variabletrainer = Trainer(model)trainer.train(xs, ys, lambda)log = trainer.log_variable()