通过重用前一层添加另一个层并不会重复使用这些变量

Question

假设我有一个网络X，我想在X之上添加另一个图层，如下所示：

with tf.variable_Scope("X_Layer_10"):
    W = tf.get_variable(initializer=tf.random_normal([10,5], stddev=0.1), name='W')
    b = tf.get_variable(
        initializer= tf.zeros(5), dtype=tf.float32, name='b')
    out=tf.softmax(tf.add(tf.matmul(layer_9_output,W),b))

X已经训练过，但我想训练自己的图层（微调） 现在，要添加我自己的图层，请执行以下操作：

with tf.variable_Scope("my_layer"):
    W = tf.get_variable(initializer=tf.random_normal([5,2], stddev=0.1), name='W')
    b = tf.get_variable(
        initializer= tf.zeros(2), dtype=tf.float32, name='b')
    final_output=tf.add(tf.matmul(out,W),b)

现在我的期望是上面的代码重用了X中已经训练过的部分，但是当我打印出＆＃34; my_layer＆＃34;中的所有变量时范围我看到的东西： my_layer / X_Layer_10 / W：0 看起来它已经制定了新的张量而没有重复使用之前训练过的重量。我错过了什么吗？