通常,如果我们通过类中的神经网络定义一个函数,那么在另一个类中,如果我们需要函数的参数或变量列表,在tensorflow中,我们可以使用tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope="function name")
,这是方便和熟悉的对我来说,虽然我想还有很多其他更有效的方法。
但是,在某些情况下,我们可能需要定义一个基于两个不同神经网络的函数,比如F(x) = F(NN_1(x), NN_2(x))
,然后在另一个类中,获取两个变量列表的正确方法是什么NN_1()
和NN_2()
?很明显,在这里使用tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope="function name
会导致获得F(x)
的混合变量列表,而不是NN_1
和NN_2
的两个变量列表。
def function()
with tf.name_scope(function):
with tf.name_scope(subfunction_1):
neural_network_1
with tf.name_scope(subfunction_2):
neural_network_2
答案 0 :(得分:1)
在名称范围的树中,您可以使用以下命令访问各个范围变量:
vars_1 = tf.get_collection(
tf.GraphKeys.TRAINABLE_VARIABLES, scope="function_name/subfunction_name_1")
vars_2 = tf.get_collection(
tf.GraphKeys.TRAINABLE_VARIABLES, scope="function_name/subfunction_name_2")