TensorFlow中相同输入下y_pred是否使用更新后权重的咨询

嘿，这个问题问到点子上了，刚好涉及TensorFlow里变量状态管理的核心逻辑，我来给你掰扯清楚：

首先得明确：TensorFlow里的变量（比如你用tf.layers.Dense创建的权重和偏置）状态是保存在Session实例里的，它的取值会随着你执行的操作动态变化，不是固定不变的。

针对你的问题，分两种情况来看：

• 如果在sess.run(init)之后，你没有执行任何更新变量的操作：
  这时候不管你运行多少次y_pred，用的都是初始化时的权重。毕竟init就是把变量设置成初始随机值（或者你指定的初始值），没做任何改动的话，变量状态自然不会变。

• 如果在init之后，你运行了训练相关的操作（比如优化器的minimize操作）：
  比如你补全代码后会有类似这样的逻辑：

  loss = tf.losses.mean_squared_error(y_true, y_pred)
  optimizer = tf.train.GradientDescentOptimizer(0.01)
  train_op = optimizer.minimize(loss)
  # 运行训练步骤，更新权重
  sess.run(train_op, feed_dict={x: [[2.0]], y_true: [[-1.0]]})
  

  这时候每次运行train_op，都会根据loss反向更新linear_model里的权重。之后再运行y_pred，用的就是更新后的权重了。

额外补充两个关键点：

• 只要你的Session没有关闭，变量的状态就会一直保留。比如你训练了10轮，权重更新了10次，之后再跑y_pred，用的就是第10轮更新后的结果。
• 如果你想回到初始权重，必须重新执行sess.run(init)，这会把所有变量重置回初始化状态。

举个直观的小例子：

# 初始化后第一次跑y_pred
initial_pred = sess.run(y_pred, feed_dict={x: [[1.0]]})
print(initial_pred)  # 输出是随机的初始值，比如大概[[0.23]]

# 跑一次训练
sess.run(train_op, feed_dict={x: [[1.0]], y_true: [[0.0]]})

# 再跑y_pred
updated_pred = sess.run(y_pred, feed_dict={x: [[1.0]]})
print(updated_pred)  # 输出会更接近目标值0.0，比如[[0.19]]

内容的提问来源于stack exchange，提问作者pasternak