如何保持火车步骤之间的状态？

我的计算图中有一个张量，我想在每个训练步骤之后添加一行。我怎样才能做到这一点？

更详细：我正在获取渐变optimizer.compute_gradients，我想根据渐变历史修改这些渐变。这是我尝试使用的代码：

def process_gradient(gradient, optimizer, name):
  reshaped_gradient = flatten(gradient)

  if gradient.name in optimizer._slots:
    optimizer._slots[gradient.name] += [reshaped_gradient]
  else:
    optimizer._slots[gradient.name] = [reshaped_gradient]

  # each 
  gradients_over_time = tf.stack(optimizer._slots[gradient.name])

  print('gradients_over_time.get_shape()', gradients_over_time.get_shape())

  return gradient

...

grads_and_vars = optimizer.compute_gradients(cost_function)
train_step = optimizer.apply_gradients([(process_gradient(grad, optimizer, str(i)), var) for i, (grad, var) in enumerate(grads_and_vars)])

我还尝试保留一个变量，用于通过连接新行来跟踪行，但这不起作用。

我最终使用了tf.py_func来实现这一点。我在 Python 函数中访问的全局列表中跟踪状态。这里应用了渐变：

# process each individual gradient before applying it
train_step = optimizer.apply_gradients([(process_gradient(grad, str(i)), var) for i, (grad, var) in enumerate(grads_and_vars)])

这是我随着时间的推移跟踪状态的地方，并将使用构建的状态：

def construct_processor(name):
  global_gradients_over_time = {}

  def python_process_gradient(gradient):
    reshaped_gradient = gradient.flatten()

    if name in global_gradients_over_time:
      global_gradients_over_time[name].append(reshaped_gradient)
    else:
      global_gradients_over_time[name] = [reshaped_gradient]

    # process gradients somehow

    return gradient

  return python_process_gradient

def process_gradient(gradient, name):
  return tf.py_func(construct_processor(name), [gradient], tf.float32)

construct_processor只是允许您一次处理一个渐变，为每组渐变命名，以便我可以在全局字典中找到它们。我认为，这种方法还可以使内存远离 GPU。