python之函数内的 Tensorflow variable_scope : tf. 占位符和 tf.get_variable

我只是想了解 TensorFlow 的命名行为，但仍需要一些说明。 我在一个项目中遇到了命名张量的麻烦，因为它们是在函数中预定义的，稍后会调用该函数。

所以我这里有下面的例子:

import tensorflow as tf 
 
 
    def foo(): 
 
        with tf.variable_scope("foo", reuse=True): 
 
            a = tf.placeholder(tf.float32,name="a") 
            b = tf.placeholder(tf.float32,name="b") 
 
        return a,b 
    ## 
 
    a,b  = foo() 
 
    print(a) 
    print(b) 

我得到输出:

Tensor("foo/a:0", dtype=float32) 
Tensor("foo/b:0", dtype=float32) 

当我再次调用它时，我得到了输出:

Tensor("foo_1/a:0", dtype=float32) 
Tensor("foo_1/b:0", dtype=float32) 

为什么会这样？我将 reuse 设置为 true，所以我希望张量再次位于同一 variable_scope“foo”中，或者程序会抛出“tensors already defined”之类的错误。

因此，我尝试了一种使用 tf.get_variable 的解决方法:

    def foo(): 
    with tf.variable_scope("foo", reuse=True): 
 
        a = tf.get_variable("v", [1]) 
 
 
    return a 
## 
 
a1 = foo() 
print(a1) 
 
graph = tf.get_default_graph() 
#call tensors by name in tensorflow to avoid confusion with the naming 
graph.get_tensor_by_name("foo/v:0") 

在这里，我总是得到相同的输出:

<tf.Variable 'foo/v:0' shape=(1,) dtype=float32_ref> 

不幸的是，我无法使用变量，因为您无法为它们定义动态形状。您需要占位符来定义可变形状。 有人能解释一下为什么程序会继续为占位符创建新的 variable_scopes 而不是在我调用 tf.get_variable() 时吗？

谢谢!

请您参考如下方法:

您可以通过在名称后添加“/”来强制重用作用域，即:tf.variable_scope("foo/", reuse=True):

但是这并不能解决您的问题。

对于变量，调用 tf.Variable 将始终创建一个新变量，而调用 tf.get_variable 将重用它(如果它已经存在)。

但是对于占位符，没有tf.get_placeholder。

你可以做的是在 foo 之外定义占位符，只定义一次，然后使用 tf.get_default_graph().get_tensor_by_name(name) 按名称获取它们，或者在需要时直接使用 python 变量他们。

get_tensor_by_name 示例:

import tensorflow as tf 
 
with tf.name_scope("scope"): 
    tf.placeholder(tf.float32,name="a") 
    tf.placeholder(tf.float32,name="b") 
 
def foo(): 
    a = tf.get_default_graph().get_tensor_by_name("scope/a:0") 
    b = tf.get_default_graph().get_tensor_by_name("scope/b:0") 
 
    return a,b 
 
a,b = foo() 
 
print(a) 
print(b) 

请注意，与变量不同，占位符不会维护可重复使用或不可重复使用的状态。它们只是指向稍后将被馈送的张量的“指针”。它们不应该是您模型的一部分，而是模型的输入，因此无论如何您都不应该多次创建它们。