Python 如何获得tensorflow中卷积层的值？

下面是Github教程中的代码，我希望在培训完成后访问每个“x层”的值并将其保存到numpy数组中

def decoder(sampled_z, keep_prob):
    with tf.variable_scope("decoder", reuse=None):
        x = tf.layers.dense(sampled_z, units=inputs_decoder, activation=lrelu)
        x = tf.layers.dense(x, units=inputs_decoder * 2 + 1, activation=lrelu)
        x = tf.reshape(x, reshaped_dim)
        x = tf.layers.conv2d_transpose(x, filters=64, kernel_size=4, strides=2, 
                                       padding='same', activation=tf.nn.relu)
        x = tf.nn.dropout(x, keep_prob)
        x = tf.layers.conv2d_transpose(x, filters=64, kernel_size=4, strides=1, 
                                       padding='same', activation=tf.nn.relu)
        x = tf.nn.dropout(x, keep_prob)
        x = tf.layers.conv2d_transpose(x, filters=64, kernel_size=4, strides=1, 
                                       padding='same', activation=tf.nn.relu)
        x = tf.contrib.layers.flatten(x)
        x = tf.layers.dense(x, units=28*28, activation=tf.nn.sigmoid)
        img = tf.reshape(x, shape=[-1, 28, 28])
    return img

---

无论您的层是卷积层还是密集层，也不管您是否完成了培训，您都可以通过

会话

接口访问变量的值（初始化后）

考虑以下示例：

import tensorflow as tf

def two_layer_perceptron(x):
    with x.graph.as_default():
        with tf.name_scope('fc'):
            fc = tf.layers.dense(
                     inputs=x, units=2,
                     kernel_initializer=tf.initializers.truncated_normal)
        with tf.name_scope('logits'):
            logits = tf.layers.dense(
                         inputs=fc, units=2,
                         kernel_initializer=tf.initializers.truncated_normal)
    return logits

x = tf.placeholder(tf.float32, shape=(None, 2))
logits = two_layer_perceptron(x)

# define loss, train operation and start training

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # train here
    # ...
    # sess.run(train_op, feed_dict=...)
    # ...
    # when training is finished, do:
    trainable_vars = tf.trainable_variables()
    vars_vals = sess.run(trainable_vars)
    vars_and_names = [(val, var.name) for val, var in zip(vars_vals, trainable_vars)]


for val, name in vars_and_names:
    print(name, type(val), '\n', val)

# dense/kernel:0 <class 'numpy.ndarray'> 
# [[ 0.23275916  0.7079906 ]
# [-1.0366516   1.9141678 ]]
# dense/bias:0 <class 'numpy.ndarray'> 
# [0. 0.]
# dense_1/kernel:0 <class 'numpy.ndarray'> 
# [[-0.55649596 -1.4910121 ]
# [ 0.54917735  0.39449152]]
# dense_1/bias:0 <class 'numpy.ndarray'> 
# [0. 0.]

将tensorflow导入为tf
def两层感知器（x）：
使用x.graph.as_default（）：
使用tf.name_范围（'fc'）：
fc=tf.layers.density(
输入=x，单位=2，
kernel_initializer=tf.initializers.truncated_normal）
使用tf.name\u范围（'logits'）：
logits=tf.layers.densed(
输入=fc，单位=2，
kernel_initializer=tf.initializers.truncated_normal）
返回登录
x=tf.placeholder（tf.float32，shape=（无，2））
logits=两层感知机（x）
#定义损失、列车运行和开始培训
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
#在这里训练
# ...
#sess.run（列车运行，进站指令=…）
# ...
#培训结束后，请执行以下操作：
可训练变量=tf.可训练变量（）
变量=sess.run（可培训变量）
vars_和_name=[（val，var.name）表示val，zip中的var（vars_vals，trainable_vars）]
对于val，vars_和_名称中的名称：
打印（名称、类型（val）、'\n'，val）
#密集/内核：0
# [[ 0.23275916  0.7079906 ]
# [-1.0366516   1.9141678 ]]
#密度/偏差：0
# [0. 0.]
#密集_1/内核：0
# [[-0.55649596 -1.4910121 ]
# [ 0.54917735  0.39449152]]
#密集_1/偏差：0
# [0. 0.]

---

如果您希望访问网络中的特定变量，您可以通过

tf将它们添加到集合中。将\u添加到\u集合（）

，然后通过

tf.get\u集合（）

访问它们，或者您可以从所有变量列表中按变量名筛选（例如

[v如果v.name中的“conv”表示tf中的v.可训练的\u变量（）]）

）

我应该在培训完成后，还是在培训循环中培训时，应用以下代码：trainable_vars=tf.trainable_variables（）vars_vals=sess.run（trainable_vars）vars_and_names=[（val，var.name）for val，var in zip（vars_vals，trainable_vars）]。此外，我的示例中的所有层都有相同的名称“x”，即如何单独访问每个层。1。您可以在培训期间或培训完成后随时应用此代码以查看值。2.每个“x”存储对变量的引用，当您将新变量分配给该引用时，您将失去对以前变量的访问权限。如果不存储引用，只有当你把它们添加到集合中时，才可以访问它们，或者根据我在回答中提到的所有可训练变量指定名称和“过滤”变量。谢谢你的时间和解释。如果回答了你的问题，请考虑按下接受这个答案按钮。