关于tensorflow 用于线性回归及MNIST 数字识别中的一些思考及补充

一开始按照里面的例子输入并验证了下，结果还比较符合预期，但是前后又看了下原理及代码，怎么没有看到这些权重及偏置参数被不断更新（训练）呢？

我自己的理解就是，神经网络主要是建立模型，这个模型有很多参数需要训练，但是在线性回归及逻辑回归的两篇文章中，并没有直接显示如何去更新这些参数。

如线性回归中，是这么写的：

update_weights =tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

逻辑回归中，是这么写的：

optimizer =tf.train.MomentumOptimizer(learning_rate, 0.9).minimize(loss,global_step=batch)

 

实际上，对于线性回归里的参数更新，他们隐含在函数实现里，

如：update_weights =tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

真正分解应该是下面这个样子，这样看起来就比较直观了！

#Change the weights by subtracting derivative with respect to that weight

    loss = 0.5 *tf.reduce_sum(tf.multiply(yerror, yerror))

    gradient = tf.reduce_sum(tf.transpose(tf.multiply(input,yerror)), 1, keep_dims=True)

    update_weights = tf.assign_sub(weights,learning_rate * gradient)

 

而在tensorflow平台下面，这些weights and bias又是如何传入的，

正如这篇stackoverflow里的问题一样，

TensorflowGradientDescentOptimizer - how does it connect to tf.Variables?

How doestensorflow know I want it to update W and b? Does it just see that those are the only Variables in thesession?

It takes them from tf.trainable_variables() which includes all variables created with trainable=True flag (the default)

 

这样终于搞明白，这些参数是怎么得到更新及如何传人到这些黑盒子函数里的。