Python 如何在Tensorflow中设置丢失操作的名称？

在Tensorflow中，我可以为操作和张量指定名称，以便以后检索它们。例如，在一个函数中，我可以

input_layer=tf.placeholder(tf.float32, shape= [None,300], name='input_layer')

然后在后面的另一个函数中，我可以

input_layer=get_tensor_by_name('input_layer:0')

我开始相信这对于使我的tf代码尽可能模块化是很方便的

我希望能够对我的丢失执行相同的操作，但如何为该操作指定自定义名称？问题是内置的loss函数（例如）没有名称参数（与tf.placeholder、tf.variable等不同）

我现在提到我的损失的方式是

tf.get_collection(tf.GraphKeys.LOSSES)[-1]

---

（检索已添加到图表中的最后一个丢失操作）。我是否遗漏了一些明显的问题？

我知道这并不是确切的答案，但这是一个可能对您有效的解决方案

鉴于此，正如您所指出的，函数没有

名称
参数，您可以实现自己的MSE（当然基于TF操作）

替换

tf_loss = tf.losses.mean_squared_error(labels,predictions)

与

由于
reduce\u意味着
接受
名称
参数，您可以得到您想要的

可用的完整示例代码
我想使用不可训练的变量应该可以：

labels = np.random.normal(size=10)
predictions = np.random.normal(size=10)

sess = tf.Session()
loss_var = tf.Variable(10.0, name='mse_loss', trainable=False, dtype=tf.float32)

loss = tf.losses.mean_squared_error(labels, predictions)
mse_loss = loss_var.assign(loss)

sess.run(mse_loss)
print(sess.run(tf.get_default_graph().get_tensor_by_name('mse_loss:0')))

我发现最短的方法是使用
tf.identity

loss = tf.losses.mean_squared_error(labels, predictions)
loss = tf.identity(loss, name = "loss")

loss = tf.losses.mean_squared_error(labels, predictions)
loss = tf.identity(loss, name = "loss")