Question

下面是一个代码片段，它尝试命名张量操作的结果所以我可以在保存和恢复网络后访问它

   def createForward(self):

    # forward propogation

    Z      = tf.add(tf.matmul(self.W,self.prevLayer.A),self.b)
    self.Z = tf.nn.dropout(Z,self.keepProb,name = self.name+'_Z')
    print(self.name+'_Z',self.Z)

当self.name为＆＃39;输出＆＃39;我期待print语句打印出来

output_Z Tensor("output_Z:0", shape=(3, ?), dtype=float32)

我实际得到的是

output_Z Tensor("output_Z/mul:0", shape=(3, ?), dtype=float32)

有人可以解释发生了什么。

由于

Answer 1

我认为您不熟悉的是TensorFlow中的操作命名。我们先来看看：

In [2]: import tensorflow as tf      
In [4]: w = tf.Variable([[1,2,3], [4,5,6], [7,8,9], [3,1,5], [4,1,7]], dtype=tf.float32) 
In [6]: z = tf.nn.dropout(w, 0.4, name="output_Z")
In [7]: z.op.name
Out[7]: u'output_Z/mul' 
In [8]: z.name
Out[8]: u'output_Z/mul:0'

正如您所看到的，z的名称与操作z的名称不同，但所有这些名称都附加了操作名称mul。

为了得到你所期望的，你可以这样做：

In [12]: Z = tf.identity(z, name="output_Z")
In [13]: Z.op.name
Out[13]: u'output_Z'
In [14]: Z.name
Out[14]: u'output_Z:0'

Reference：

tf.variable_scope（）
中的操作名称
我们讨论了tf.variable_scope如何管理变量的名称。但   它如何影响范围内其他操作的名称？它是   自然，在变量范围内创建的操作也应该共享   那个名字。因此，当我们使用tf.variable_scope（“name”）时，   这隐式地打开了一个tf.name_scope（“name”）。例如：

with tf.variable_scope("foo"):
    x = 1.0 + tf.get_variable("v", [1])
assert x.op.name == "foo/add"

张量流张量的命名

1 个答案: