Tensorflow中global_step值始终为0不更新问题咨询

你的问题核心是global_step变量没有被正确绑定到训练更新操作上，导致训练过程中它的值始终不变。下面分情况分析并给出具体解决方案：

可能的原因1：model.update未处理global_step的递增 #

tf.train.get_or_create_global_step()只是帮你创建或获取一个全局变量，但它不会自动递增——必须在训练操作中显式让它跟着每一步训练增长。

如果你的model.update是基于原生TensorFlow优化器实现的，要确保调用优化器的minimize()或apply_gradients()时传入global_step参数，优化器会自动帮你完成递增：

# model.update内部的示例实现
optimizer = tf.train.AdamOptimizer(learning_rate=self.lrate)
# 关键：把global_step传入minimize，让优化器自动递增它
train_op = optimizer.minimize(loss, global_step=global_step)

如果是手动计算梯度并应用的场景，需要手动添加递增操作，并将其和梯度应用绑定为一个整体操作：

# 手动计算并应用梯度
grads_and_vars = optimizer.compute_gradients(loss)
apply_grad_op = optimizer.apply_gradients(grads_and_vars)
# 显式递增global_step，和梯度应用合并成一个操作
update_op = tf.group(apply_grad_op, tf.assign_add(global_step, 1))

可能的原因2：MonitoredTrainingSession的全局步骤冲突 #

tf.train.MonitoredTrainingSession本身会默认管理一个global_step，如果你手动创建的global_step未被正确注册到默认集合，可能导致会话使用的是另一个变量，而你获取的是未被更新的那个。

你可以直接让会话管理global_step，无需手动创建：

# 去掉手动创建的global_step，改用会话提供的全局步骤
with tf.train.MonitoredTrainingSession(master=self.server.target, is_chief=...) as sess:
    while not sess.should_stop():
        # 运行训练操作
        sess.run(update)
        # 直接获取会话管理的global_step
        current_step = sess.run(tf.train.get_global_step())

或者确认手动创建的global_step已加入默认集合（get_or_create_global_step默认已加入，可加断言验证）：

global_step = tf.train.get_or_create_global_step()
# 验证变量已在GLOBAL_STEP集合中，确保会话能识别它
assert global_step in tf.get_collection(tf.GraphKeys.GLOBAL_STEP)

快速验证方法 #

在训练循环中，每次运行update后同时获取global_step的值，确认是否递增：

with tf.train.MonitoredTrainingSession(...) as sess:
    while not sess.should_stop():
        _, step_val = sess.run([update, global_step])
        print(f"当前训练步骤：{step_val}")

如果打印的step_val始终不变，那肯定是update操作没有关联到global_step的递增逻辑，回到原因1排查即可。

内容的提问来源于stack exchange，提问作者Harry