不仅要运行training_step，还要运行cross_entropy节点，以便将其值返回给您。请记住：

var_as_a_python_value = sess.run(tensorflow_variable)

会给你想要的东西，所以你可以这样做：

[_, cross_entropy_py] = sess.run([train_step, cross_entropy],
                                 feed_dict={x: batch_xs, y_: batch_ys})

既可以进行训练，又可以提取出交叉熵在迭代过程中计算出的值。请注意，我同时将sess.run的参数和返回值都转换为列表，以便两者都发生。

您可以通过将cross_entropy的值添加到sess.run(...)的参数列表中来获取该值。例如，您的for -loop可以重写如下：

for i in range(100):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    _, loss_val = sess.run([train_step, cross_entropy],
                           feed_dict={x: batch_xs, y_: batch_ys})
    print 'loss = ' + loss_val

可以使用相同的方法来打印变量的当前值。假设除了cross_entropy的值cross_entropy ，您还想打印tf.Variable的值。 tf.Variable W可以执行以下操作：

for i in range(100):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    cross_entropy = -tf.reduce_sum(y_ * tf.log(y))
    _, loss_val, W_val = sess.run([train_step, cross_entropy, W],
                                  feed_dict={x: batch_xs, y_: batch_ys})
    print 'loss = %s' % loss_val
    print 'W = %s' % W_val