global_step在滑动平均、优化器、指数衰减学习率等方面都有用到，这个变量的实际意义非常好理解：代表全局步数，比如在多少步该进行什么操作，现在神经网络训练到多少轮等等，类似于一个钟表。
根据代码可以发现global_step的初始化值是0:
global_step=tf.Variable(0, trainable=False) 这个初始化代码十分简单，但也是问题所在。如果global_step直接赋值为0了，还怎么表示全局的步数？
当助教的时候，有一个学妹问我关于global_step的操作问题，我一时没回答上来，global_step到底是怎么完成自动加1的。
关于这个问题在CSDN查到一篇文章《tensorflow中的关键字global_step使用》
稍微改了一下人家的代码：
-
import tensorflow as tf -
import numpy as np -
x = tf.placeholder(tf.float32, shape=[None, 1], name='x') -
y = tf.placeholder(tf.float32, shape=[None, 1], name='y') -
w = tf.Variable(tf.constant(0.0)) -
global_steps = tf.Variable(0, trainable=False) -
learning_rate = tf.train.exponential_decay(0.1, global_steps, 10, 2, staircase=False) -
loss = tf.pow(w*x-y, 2) -
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_steps) -
with tf.Session() as sess: -
sess.run(tf.global_variables_initializer()) -
for i in range(10): -
sess.run(train_step, feed_dict={x:np.linspace(1,2,10).reshape([10,1]), -
y:np.linspace(1,2,10).reshape([10,1])}) -
print(sess.run(learning_rate)) -
print(sess.run(global_steps))
输出为：
0.107177
1
0.11487
2
0.123114
3
0.131951
4
0.141421
5
0.151572
6
0.16245
7
0.17411
8
0.186607
9
0.2
10
这里的global_tep确实完成自动加1了，但具体为什么自动加一，原文章里面也没有提到。
经过多次修改代码验证之后得出，如果把
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_steps)
后面部分的global_step=global_steps去掉，global_step的自动加一就会失效，输出如下：
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
0.1
0
因为指数衰减的学习率是伴随global_step的变化而衰减的，所以当global_step不改变时，学习率也变成一个定值。
综上所述：损失函数优化器的minimize()中global_step=global_steps能够提供global_step自动加一的操作。
这里有个额外的疑虑说明：global_steps是等号右边，在编程语言里面通常当作定值（即不会受函数影响）赋值给等号左边的global_step。然而，在这个优化器里面能够使得右边的变量自动加一。这确实是编程语言里面少见的，也是需要特别注意的。
---
以上是原文
后期解答: tf.Variable定义的变量是tf自定义的数据结构，以张量形式存在于网络当中。这也是w, b以及global_steps能被后台改变的原因。上面那个问题也是这个原因，global_steps在右边，但它不是简单的value，而是特殊的数据结构(tensorflow框架使然)。