虽然我正在研究具有张量流的神经网络，但我得到了一个关于tf.nn.conv2D（x，W，strides = [1,1,1,1]，padding =＆＃39; SAME＆＃39）
当我输入图像值x和权重值W（由tf.truncated_normal（shape，stddev = 0.1）初始化）时，我知道它将返回一些值，这是tf.nn.conv2D（）的结果。
但我的问题是，当调用tf.nn.conv2D（）时，它是否会改变权重值？
如果它改变了Weight的值，它是如何工作的？实际上，当我打印Weight值时，它会发生变化。但我不知道为什么......我的假设是值W是某种被引用的调用，所以在计算tf.nn.conv2D（）时，值W被改变。是不是？
答案 0 :(得分：1)
Tensorflow代码流与您的传统编程语言不同。首先，从代码创建一个图形（可以使用Tensorboard可视化，然后使用已在内部实现的反向传播计算更新规则。
当你写：
h = tf.nn.conv2D(x, W, strides=[1, 1, 1, 1], padding='SAME')
它在您的神经网络中创建一个卷积层，在您的输入矩阵上执行卷积（http://cs231n.github.io/convolutional-networks/），并在 h 中输出结果。现在，执行这种卷积的整个目的是识别一些局部图案，例如图像中的垂直或水平边缘。例如，权重矩阵 W ，例如
W = [[0,1,0],[0,1,0],[0,1,0]]
将识别图像中的垂直边缘。但是，由于 W 已在此处随机初始化
W = tf.Variable(tf.truncated_normal(shape, stddev=0.1)))
一开始就找不到任何模式。这是通过反向传播解决的。
当您在标记数据上训练您的神经网络时，在每一步都会更新矩阵 W ，以便减少误差E w.r.t W的导数。您无法在代码中看到它发生，因为反向传播是在Tensorflow内部实现的，您只需要为正向传递编写代码。如果您将 W 定义为
W = tf.Variable(tf.truncated_normal(shape, stddev=0.1)),trainable=False)
它不会被更新，但是培训参数的整个目的都将被打败。
我建议您在继续使用Tensorflow之前，先了解http://neuralnetworksanddeeplearning.com以了解神经网络的工作原理。