当我阅读global_step的文档时，我遇到了这个问题。 这里明确声明global_step不可训练。
global_step_tensor = tf.Variable（10，trainable = False，name ='global_step'）
sess = tf.Session（）
print（'global_step：％s'％tf.train.global_step（sess，global_step_tensor））
根据我的理解，可训练意味着可以在sess.run（）期间更改值。我试图宣布它既可训练又不训练，并得到相同的结果。所以我不明白为什么我们需要声明它不可训练。
我阅读了trainable的文档，但没有完全理解。
所以我的问题是：
答案 0 :(得分：11)
根据我的理解，trainable意味着可以在sess.run（）
期间更改值
这不是 trainable 变量的定义。 任何变量都可以在sess.run()期间修改（这就是为什么它们是变量而不是常量）。
可训练变量和非训练变量之间的区别用于让Optimizer知道它们可以作用于哪些变量。
定义tf.Variable()时，设置trainable=True（默认值）会自动将变量添加到GraphKeys.TRAINABLE_VARIABLES集合中。
在培训期间，优化程序通过tf.trainable_variables()获取该集合的内容，并将培训应用于所有这些内容。
不可训练变量的典型示例是global_step，因为它的值确实随时间变化（通常在每次训练迭代时为+1），但您不希望对其应用优化算法