Python 为什么我们要在tensorflow中建立变量字典

在一个示例代码中，我看到人们在tensorflow中构建变量字典（权重/偏差）。我想知道与单独定义变量相比，这有什么好处

词典样式：

weights = { 
    'encoder_w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w1'), 
    'encoder_w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev= sd), name='encoder_w2'), 
    'decoder_w1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1], stddev= sd), name='decoder_w1'), 
    'decoder_w2': tf.Variable(tf.random_normal([n_hidden_1, n_input], stddev= sd), name='decoder_w2')
}
biases = { 
    'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1], stddev= sd), name='encoder_b1'), 
    'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2], stddev= sd), name='encoder_b2'), 
    'decoder_b1': tf.Variable(tf.random_normal([n_hidden_1], stddev= sd), name='decoder_b1'), 
    'decoder_b2': tf.Variable(tf.random_normal([n_input], stddev= sd), name='decoder_b2') 
}

单独样式：

encoder_w1 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w1')
encoder_w2 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w2')
decoder_w1 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='decoder_w1')
#... (you get the idea) `

---

谢谢

“字典式”将使一次引用整个组变得更容易（比如，传递给函数）。

这完全是一个舒适的问题，特别是将它们作为一个参数一起传递给一个函数。例如，这样做很好，但这样做的结果将与这样做相同，例如：

list（weights.values（））

？与变量字典相比，name\u scope能做类似的事情吗？