引言
在上一篇博客中，我们解决了训练误差大于测试误差的问题，在寻找bug的路上，我又发现了另一个之前没有注意的bug。
在以前的实验中，好几次我使用tf.reduce_mean(tf.reduce_sum())的时候出现"nan"提示。但是当我换成tf.reduce_sum()/n的时候就显示正常了。因此我觉得在任何时候都可以这么替换。
当然在bp反向传播+3层全连接神经网络+softmax交叉熵损失+代码实现详解这篇博客中确实可以，可以如此使用的原因是因为没有用到tensorflow的计算图。
问题描述
a=10
b=constant(20)
result = b/a
with Session() as sess:
print sess.run(result)
a=20
print sess.run(result)
类似这样的代码，经过运行以后的结果都是2，而不是1。
也就是说在tensorflow的运行机制中，对于常量和变量的定义是非常严格的。我们如果真的需要用到"变量的时候"，可以通过
(1)、变量tf.Variable
(2)、占位符
的形式传入变量。而不能通过简单的指定。
问题延伸
明白这个问题以后，那么对于loss中求平均的方法是不是就可以通过设置"变量"的方式更新了呢?
博主用过占位符，pycharm一直提示有问题，然后就放弃了，因为想，既然有reduce_mean为什么非得大费周折去设置分母呢?
对于reduce_mean(reduce_sum())中出现"nan"的问题解决，请看下方链接:
Tensorflow解决reduce_mean出现"nan"提示
