普通青年的流程：

optimizer = tf.train.XXXOptimizer(xxx, yyy) train_op = optimizer.minimize(loss) for xxx: sess.run(train_op, feed_dict=xxxx) 

文艺青年流程：

optimizer = tf.train.XXXOptimizer(xxx, yyy) gradients = optimizer.compute_gradients(loss) bp_gradient = optimizer.compute_gradients(gradients) for xxx: sess.run(bp_gradient, feed_dict=xxx) 

但我想做一个二逼青年，

因为觉得损失函数，全部用 TensorFlow 里的 tf 数学操作来搞， ==不方便==在训练中临时修改，

还不方便代码共享（出库要出 C++的库）

所以，希望能用上 numpy 或者直接用 boost::python 上 C++（输出代码和训练代码统一）。

目前设想：

net_out = xxx # 作为网络 loss 输入的某些层 # np_loss = (●’’●)(net_out) # 用 numpy 搞出的损失函数值 loss_pikapika = xxx(net_out, ph0,ph1) # 假的损失函数，保证损失函数值和 np_loss 一样~~~ # 比如 ph0*tf.reduce_mean(net_out)+ph1 optimizer = tf.train.XXXOptimizer(xxx, yyy) train_op = optimizer.minimize(loss_pikapika) for xxx net_out = sess.run(net_out, feed_dict={xxx}) # 先跑前向网络 np_loss = (●’’●)(net_out) sess.run(train_op, feed_dict={xxx, ph0=np.array([0.]), ph1=array([np_loss])}) # 跑一趟前向+反向 

缺点：要多跑一次前向传递，很 2B

我不知道有没有更好的方案，求教各位，谢谢