使用在张量流中具有变量依赖性的自定义op替换图中的节点

Question

我试图用自定义操作替换图中完成的计算。

假设图表有一个常量A和权重变量W，我创建自定义操作来获取这两个输入并执行整个计算（除了重量更新的最后一步）：< / p>

custom_op_tensor = custom_module.custom_op([A,W])
g_def = tf.get_default_graph().as_graph_def()
input_map = { tensor.name : custom_op_tensor }
train_op, = tf.import_graph_def(g_def, input_map=input_map, return_elements=[train_op])

导入图形def后，有两个W，一个来自原始图形def，另一个来自导入图形。当我们运行列车操作时，自定义操作会最终读取旧W并更新新的W。结果，梯度下降最终无法做正确的事情。

问题是custom_op的实例化需要输入权重张量W。新的W仅在导入后才知道。而且，导入需要自定义操作。 如何解决这个问题？

Answer 1

您能否确定使用哪个版本的Tensorflow：r0.08，r0.09，r0.10，r0.11？

用另一个操作来改变图表中的操作是不可能的。 但是如果您可以访问W，您仍然可以在运行更新它的列车运行之前制作W的备份副本（使用deepcopy（）from copy module）？

此致