Python tensorflow中的优化器如何访问在单独函数中创建的变量

代码中感兴趣的行后面跟着多个散列（#）符号

为了理解这个目的，我在tensorflow中运行一个简单的线性回归。我使用的代码是：

def generate_dataset():
#y = 2x+e where is the normally distributed error
x_batch = np.linspace(-1,1,101)
y_batch = 2*x_batch +np.random.random(*x_batch.shape)*0.3
return x_batch, y_batch

def linear_regression():   ##################
x = tf.placeholder(tf.float32, shape = (None,), name = 'x')
y = tf.placeholder(tf.float32, shape = (None,), name = 'y')
with tf.variable_scope('lreg') as scope: ################
    w = tf.Variable(np.random.normal()) ##################
    y_pred = tf.multiply(w,x)
    loss = tf.reduce_mean(tf.square(y_pred - y))
return x,y, y_pred, loss
def run():
x_batch, y_batch = generate_dataset()
x, y, y_pred, loss = linear_regression()
optimizer = tf.train.GradientDescentOptimizer(0.2).minimize(loss)

init = tf.global_variables_initializer()
with tf.Session() as session:
    session.run(init) 
    feed_dict = {x: x_batch, y: y_batch}
    for _ in range(30):
        loss_val, _ = session.run([loss, optimizer], feed_dict)
        print('loss:', loss_val.mean())
    y_pred_batch = session.run(y_pred, {x:x_batch})

    print(tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)) ############
    print(session.run(fetches = [w])) #############
run()      

通过对“w”或“lreg/w”的fetch调用，我似乎无法获取变量的值（它实际上是op？“w”），如果我理解正确，这是因为“w”是在线性回归（）中定义的，并且它不允许其命名空间运行（）。但是，我可以通过对其变量名“lreg/vairable:0”的提取调用来访问“w”。优化器工作正常，更新应用完美

---

优化器是如何访问“w”并应用更新的？如果您能让我了解一下op“w”是如何在线性回归（）和运行（）之间共享的，那就太好了。

您创建的每个op和变量都是tensorflow中的一个节点。当您没有显式地创建一个图时，就像在您的例子中一样，就会使用一个默认的图

此行将w添加到默认图形中

 w = tf.Variable(np.random.normal())

此行访问图形以执行计算

loss_val, _ = session.run([loss, optimizer], feed_dict)

您可以像这样检查图形

tf.get_default_graph().as_graph_def()

---

非常感谢您的回复。我有一个后续问题：当从run（）运行时，为什么print（session.run（fetches=[w]）会抛出错误？NameError:未定义名称“w”。我想提醒您，print（session.run（fetches=['lreg/variable:0']）确实会为我获取“w”的值。您必须将python变量和tensorflow变量分开。仅仅因为tensorflow图中有一个名为w的变量，并不意味着python在当前范围内定义了一个名为w的变量。