按照本教程，我对评估部分有疑问：

# test the model
n_batches = int(mnist.test.num_examples/batch_size)
total_correct_preds = 0
for i in range(n_batches):
    X_batch, Y_batch = mnist.test.next_batch(batch_size)
    _, loss_batch, logits_batch = sess.run([optimizer, loss, logits], feed_dict={X: X_batch, Y:Y_batch}) 
    preds = tf.nn.softmax(logits_batch)
    correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y_batch, 1))
    accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32)) # need numpy.count_nonzero(boolarr) :(
    total_correct_preds += sess.run(accuracy)   

print 'Accuracy {0}'.format(total_correct_preds/mnist.test.num_examples)

请注意，这是在测试集上完成的，因此目标纯粹是使用先前训练的模型获得准确性。但是没有打电话：

_, loss_batch, logits_batch = sess.run([optimizer, loss, logits], feed_dict={X: X_batch, Y:Y_batch}) 

相当于使用测试数据（和标签）重新优化模型？我们不应该避免重新运行优化器和损失并只计算预测吗？