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