Python 带分区变量的Tensorflow指数移动平均值

我试图使用

分区变量
来使用
tf.train.ExponentialMovingAverage

我使用
custom\u getter
创建图形的EMA版本

如果我不使用
partitioner
来创建变量，则以下代码将按预期工作：将变量设置为零后，衰减为1，此变量的EMA版本将保持原始值

但是，如果使用分区器，则会出现以下问题

tf1.12由于
ema_getter
无法找到
PartitionedVariable
的平均值，因此这两个变量是同一对象

tf.1.15我得到了一个
AttributeError:“PartitionedVariable”对象没有属性“experimental\u ref”

这是我的密码

将tensorflow导入为tf
将numpy作为np导入
def ema_getter（ema）：
def_ema_getter（getter，name，*args，**kwargs）：
var=getter（名称，*args，**kwargs）
均线风险=均线平均值（风险值）
如果不是ema_变量：
警告（f“找不到{name}的EMA”）
如果ema\U var else var返回ema\U var
返回(ema)getter
如果名称=“\uuuuu main\uuuuuuuu”：
使用分区器=True
var=tf.get\u变量(
name='var'，
形状=[10,2]，
初始值设定项=tf.ones\u初始值设定项（），
分区器=tf。如果使用分区器，则固定分区器大小（2，轴=0），否则无
)
var_sum=tf.减少var_sum（var）
ema=tf.训练指数移动平均值（1.0）
变量=tf.get\u集合(
tf.GraphKeys.TRAINABLE_VARIABLES，tf.get_variable_scope（）.name）
ema_op=ema.apply（变量）
使用tf.variable\u scope（tf.get\u variable\u scope（），reuse=True，custom\u getter=ema\u getter（ema））：
var\u ema=tf.get\u变量(
name='var'，
形状=[10,2]，
分区器=tf。如果使用分区器，则固定分区器大小（2，轴=0），否则无
)
打印（f“EMA变量名：{var_EMA.name}”）
var\u ema\u sum=tf.减少总和（var\u ema）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
评估运行（ema_op）
打印（sess.run（var#u sum））#20.0
打印（sess.run（var_ema_sum））#20.0
sess.run（tf.assign（var，tf.zeros_-like（var）））
评估运行（ema_op）
打印（sess.run（var#u sum））0.0
打印（sess.run（var_ema_sum））应为20.0
到目前为止，我的理解是，
PartitionedVariable
并不是标准的
变量
，而仅仅是其他
变量
列表的外壳

custom_getter
需要考虑到这一点，并使用原始
PartitionedVariable
变量的ema版本手动检索和重建
PartitionedVariable

然而，这似乎有点骇人听闻——使用
。\uuuuu类\uuuuuuuuu
，因为我找不到一种方法来以干净的方式导入
PartitionedVariable
，或者访问私有属性
\u partitions
，例如

在这里共享我当前的修复

将tensorflow导入为tf
将numpy作为np导入
def ema_getter（ema）：
def_ema_getter（getter，name，*args，**kwargs）：
var=getter（名称，*args，**kwargs）
#手动重新构造if PartitionedVariable
如果变量.\uuuuu类.\uuuuu名称.\uuuuu==“PartitionedVariable”：
ema_vs=[v在var中的平均值（v）]
ema\u var=var.\u类__(
name=var.name，
形状=变量形状，
dtype=var.dtype，
变量列表=ema\u vs，
分区=var.\u分区，
)
其他：
均线风险=均线平均值（风险值）
如果不是ema_变量：
警告（f“找不到{name}的EMA”）
如果ema\U var else var返回ema\U var
返回(ema)getter
如果名称=“\uuuuu main\uuuuuuuu”：
使用分区器=True
var=tf.get\u变量(
name='var'，
形状=[10,2]，
初始值设定项=tf.ones\u初始值设定项（），
分区器=tf。如果使用分区器，则固定分区器大小（2，轴=0），否则无
)
var_sum=tf.减少var_sum（var）
ema=tf.训练指数移动平均值（1.0）
变量=tf.get\u集合(
tf.GraphKeys.TRAINABLE_VARIABLES，tf.get_variable_scope（）.name）
ema_op=ema.apply（变量）
使用tf.variable\u scope（tf.get\u variable\u scope（），reuse=True，custom\u getter=ema\u getter（ema））：
var\u ema=tf.get\u变量(
name='var'，
形状=[10,2]，
分区器=tf。如果使用分区器，则固定分区器大小（2，轴=0），否则无
)
打印（f“EMA变量名：{var_EMA.name}”）
var\u ema\u sum=tf.减少总和（var\u ema）
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
评估运行（ema_op）
打印（sess.run（var_sum））
打印（sess.run（var\u ema\u sum））
sess.run（tf.assign（var，tf.zeros_-like（var）））
评估运行（ema_op）
打印（sess.run（var_sum））
打印（sess.run（var\u ema\u sum））