Tensorflow 中global_step的解释

tf.train.get_global_step() 方法返回的是的 global_step作为name的tensor, 如 <tf.Variable ‘global_step:0’ shape=() dtype=int64_ref>。 tensor参数与global_step = tf.Variable(0, name=“global_step”, trainable=False) 完全相同。

tensorflow中不少方法是存在global_step 参数的，比如optimizer.minimize(loss, global_step= tf.train.get_global_step() ) 这个参数可以传入tf.train.get_global_step()方法，也可以传入普通的Variable，即name任意。每次打开tf.Session()并运行该方法时，系统会自动为传入的global_step参数+1。

在这里你可能会问，既然能传入普通Variable，为什么还要有global_step 作为name的tensor？ 个人认为这是为了使代码清晰吧，毕竟global_step是比较常用的变量，如果和普通Variable混在一起就降低了代码的可读性。

以下给出代码示例：

x = tf.placeholder(tf.float32, shape=[None], name='x')
y = tf.placeholder(tf.float32, shape=[None], name='y')
w = tf.Variable(tf.truncated_normal(shape=[2], mean=0, stddev=0.1))
 
# gl_v = tf.Variable(0, trainable=False)
gl = tf.train.get_global_step()
learning_rate = tf.train.exponential_decay(0.1, gl, 10, 2, staircase=False)
loss = tf.square(w*x+y)
 
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=gl)

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    for i in range(10):
        print ('gl before run:',sess.run(gl))
        sess.run(train_step, feed_dict={x:np.array([10,10]),
        y:np.array([10,10])})
        print (sess.run(learning_rate))
        print ('gl after run:',sess.run(gl))
        print('\n')

输出：
gl before run: 0
0.10717734
gl after run: 1

gl before run: 1
0.11486983
gl after run: 2

gl before run: 2
0.123114444
gl after run: 3

gl before run: 3
0.1319508
gl after run: 4

gl before run: 4
0.14142136
gl after run: 5

gl before run: 5
0.15157166
gl after run: 6

gl before run: 6
0.16245048
gl after run: 7

gl before run: 7
0.17411011
gl after run: 8

gl before run: 8
0.1866066
gl after run: 9

gl before run: 9
0.2
gl after run: 10

若把以上的变量gl替换成gl_v，输出完全一致，但不推荐这样使用。