训练后修改张量流图以输出中间值
Modifying a tensorflow graph to output an intermediate value, after training
我是 TF 的新手，所以这是我的免责声明，我的问题可能没有多大意义。如果对我的理解有任何更正，我将不胜感激。如有必要，我很乐意提供更多代码/信息。
我正在学习以下教程：https://www.oreilly.com/learning/perform-sentiment-analysis-with-lstms-using-tensorflow。
我已将 name_scopes 添加到变量/占位符等以帮助我了解发生了什么。与其发布所有代码，我认为仅发布图表图像可能就足以解决这个问题：
这张图有很多我仍然不明白的地方，所以作为旁注：如果有人有很好的资源可以对这些图有很好的直觉，我会很感激你的指导。
我的理解
看起来图表目前接受 input_data 和 labels 的提要，以便在训练期间计算错误。我相信 "accuracy" 当前是输出（因为它本身没有任何输出？）。对我来说，成本将当前预测和真实来源标签作为输入是有意义的。
因为我发现这是教程的一部分，所以培训当然效果很好，我还不能自己完成。我愿意暂时忽略这一点，因为我试图在这里掌握直觉。
我的问题
我现在有兴趣使用 input_data 在我的图表上调用 sess.run()，并查看 "predictions" 的结果。这似乎是合理的——当我在生产系统中使用这个模型时，我什至没有标签。重点是取回预测。
我应该采取哪些步骤才能调用 sess.run 并取回所需的新输出？不过，我仍然需要能够以某种方式训练模型？我可以使用什么 "process" 来训练两个占位符，然后将其缩减为一个以进行预测？
sess.run 的参数始终是对图上节点的引用（即您提供的图像）。
Tensorflow 的编写使其只需要上游值的值来计算某个节点的值——而不是 所有 可能的输入。您的问题似乎是如何在不提供真实标签（您希望网络在训练期间学习的内容）的情况下从网络中获取预测。这是典型的 "testing" 场景。
没有关于您的代码的更多信息，看来您应该能够简单地执行以下操作：
with tf.Session() as sess:
predictions_eval = sess.run(predictions, feed_dict={input_data=input_data})
我是 TF 的新手，所以这是我的免责声明，我的问题可能没有多大意义。如果对我的理解有任何更正，我将不胜感激。如有必要，我很乐意提供更多代码/信息。
我正在学习以下教程：https://www.oreilly.com/learning/perform-sentiment-analysis-with-lstms-using-tensorflow。
我已将 name_scopes 添加到变量/占位符等以帮助我了解发生了什么。与其发布所有代码，我认为仅发布图表图像可能就足以解决这个问题：
这张图有很多我仍然不明白的地方，所以作为旁注：如果有人有很好的资源可以对这些图有很好的直觉，我会很感激你的指导。
我的理解
看起来图表目前接受 input_data 和 labels 的提要，以便在训练期间计算错误。我相信 "accuracy" 当前是输出（因为它本身没有任何输出？）。对我来说，成本将当前预测和真实来源标签作为输入是有意义的。
因为我发现这是教程的一部分，所以培训当然效果很好，我还不能自己完成。我愿意暂时忽略这一点，因为我试图在这里掌握直觉。
我的问题
我现在有兴趣使用 input_data 在我的图表上调用 sess.run()，并查看 "predictions" 的结果。这似乎是合理的——当我在生产系统中使用这个模型时，我什至没有标签。重点是取回预测。
我应该采取哪些步骤才能调用 sess.run 并取回所需的新输出？不过，我仍然需要能够以某种方式训练模型？我可以使用什么 "process" 来训练两个占位符，然后将其缩减为一个以进行预测？
sess.run 的参数始终是对图上节点的引用（即您提供的图像）。
Tensorflow 的编写使其只需要上游值的值来计算某个节点的值——而不是 所有 可能的输入。您的问题似乎是如何在不提供真实标签（您希望网络在训练期间学习的内容）的情况下从网络中获取预测。这是典型的 "testing" 场景。
没有关于您的代码的更多信息，看来您应该能够简单地执行以下操作：
with tf.Session() as sess:
predictions_eval = sess.run(predictions, feed_dict={input_data=input_data})