Numpy 如何从两个不同的神经网络中获取两个变量列表
通常,如果我们在一个类中通过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Numpy 如何从两个不同的神经网络中获取两个变量列表,numpy,machine-learning,tensorflow,Numpy,Machine Learning,Tensorflow,通常,如果我们在一个类中通过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_集合(tf.GraphKeys.TRAINABLE_variables,scope=“function name”),这对我来说既方便又熟悉,虽然我想还有很多其他更有效的方法 然而,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,例如F(x)=F(NN_1(x),NN_2(x)),那么在另一个类中,获得NN_1()和NN_2()的
tf.get_集合(tf.GraphKeys.TRAINABLE_variables,scope=“function name”)
,这对我来说既方便又熟悉,虽然我想还有很多其他更有效的方法
然而,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,例如F(x)=F(NN_1(x),NN_2(x))
,那么在另一个类中,获得NN_1()
和NN_2()
的两个变量列表的正确方法是什么?很明显,使用tf.get_集合(tf.GraphKeys.TRAINABLE_VARIABLES,scope=“function name
这里可以得到F(x)
的混合变量列表,插入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
在名称作用域树中,您可以通过以下方式访问各个作用域变量:
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")