Python 这个函数如何创建一个深度神经网络，而不仅仅是重命名同一个变量？

我正在从Geron的机器学习实践中进行自我学习，我对下一页方框[114]中的函数如何创建深度神经网络感到有点困惑

---

它只是看起来每次都用不同的名称重置相同的输入。有人能解释一下这是如何创建一个深层神经网络的吗？

关于TensorFlow中的模型构造有一个强烈的误解。建议您在中阅读更多关于TensorFlow的计算图和该API的其他低级细节

使用TensorFlow构建的操作不绑定到Python变量 假设我们并不急于得到这个答案。调用tf.layers中的一个层构造函数或其他基本函数（如tf.nn中的函数）时，将向当前活动图添加新操作，并返回对应于该层输出的张量。删除或更改用于保存这些张量的Python变量的内容时，这些操作不会消失

函数dnn所做的是迭代地创建一系列密集层。在每个步骤中，变量输入都会更改为指向最近创建的层的输出，从而允许将其输入到下一个层中。是使用与原始输入相同的变量，还是使用新的变量，这是一个意见问题。我自己经常使用一个新的变量。默认情况下，这将导致5个完全连接的层的序列。在所有这些中，只有图形被构造；这里没有实际应用网络训练或体重初始化程序

这也可以通过视觉验证。以下代码将图形的签名写入TensorFlow摘要文件：

he_init = tf.variance_scaling_initializer()

def dnn(inputs, n_hidden_layers=5, n_neurons=100, name=None,
        activation=tf.nn.elu, initializer=he_init):
    with tf.variable_scope(name, "dnn"):
        for layer in range(n_hidden_layers):
            inputs = tf.layers.dense(inputs, n_neurons, activation=activation,
                                     kernel_initializer=initializer,
                                     name="hidden%d" % (layer + 1))
        return inputs

x = tf.placeholder(tf.float32, [32, 128])
y = dnn(x)
writer = tf.summary.FileWriter(logdir='mydnn', graph=tf.get_default_graph())
writer.flush()

通过使用TensorBoard打开相同的日志目录，我们可以得到以下图表：

he_init = tf.variance_scaling_initializer()

def dnn(inputs, n_hidden_layers=5, n_neurons=100, name=None,
        activation=tf.nn.elu, initializer=he_init):
    with tf.variable_scope(name, "dnn"):
        for layer in range(n_hidden_layers):
            inputs = tf.layers.dense(inputs, n_neurons, activation=activation,
                                     kernel_initializer=initializer,
                                     name="hidden%d" % (layer + 1))
        return inputs

x = tf.placeholder(tf.float32, [32, 128])
y = dnn(x)
writer = tf.summary.FileWriter(logdir='mydnn', graph=tf.get_default_graph())
writer.flush()