该文档对此不太清楚。我想一个可以通过opt.compute_gradients(E, [v])获得的梯度包含v存储的张量的每个元素x的opt.compute_gradients(E, [v]) ∂E/∂x = g(x) 。 opt.apply_gradients(grads_and_vars)是否实际上执行x ← -η·g(x) ，其中η是学习率？这意味着如果我想为变量添加正的加性变化p ，则需要更改g(x) ← g(x) - (1/η)p ，例如：

opt = tf.train.GradientDescentOptimizer(learning_rate=l)
grads_and_vars = opt.compute_gradients(loss, var_list)

for l, gv in enumerate(grads_and_vars):
    grads_and_vars[l] = (gv[0] - (1/l) * p, gv[1])

train_op = opt.apply_gradients(grads_and_vars)

有一个更好的方法吗？