Question

从以下“ graph_first”开始

graph_first = tf.Graph()

with graph_first.as_default():  
    v = tf.get_variable(name='v', shape=[2], dtype=tf.float64)  
    x = v[:1]  
    y = v[1:]

很容易获得以下“ graph_unique”：

graph_unique = tf.Graph()

with graph_unique.as_default():  
    v = tf.get_variable(name='v', shape=[2], dtype=tf.float64)  
    x = v[:1]  
    y = v[1:]  
    c = tf.add(x, y, name='c')  
    gra = tf.gradients([c], [v])

实际上，只需添加变量c和gra即可 “ graph_first”等效于“ graph_unique”。假设上面的定义，

with graph_first.as_default():  
    c = tf.add(x,y, name='c')  
    gra = tf.gradients([c], [v])

现在，我们需要从以下“ graph_second”开始，代替：

graph_second = tf.Graph()

with graph_second.as_default():  
    x = tf.get_variable(name='x', shape=[1], dtype=tf.float64)  
    y = tf.get_variable(name='y', shape=[1], dtype=tf.float64)  
    c = tf.add(x, y, name='c')  
    gra = tf.gradients([c], [x,y])

如何恢复与“ graph_unique”等效的图？换句话说：tf允许非常轻松地在图形中向下添加变量。是否可以通过某种方式将它们也添加到UPSTREAM中？这个想法是使图中的所有可训练变量成为从属变量在新的，单一的，更大的初始产品上。对我来说至关重要的是，渐变和粗麻布都可以正常工作。

非常感谢！

上游Addin变量以计算粗麻布矩阵

0 个答案: