Python GraphKeys.trainiable_变量与tf.trainible_变量（）

Is

GraphKeys.TRAINABLE_VARIABLES

与

tf.TRAINABLE_VARIABLES（）

相同吗

是

GraphKeys.TRAINABLE_变量

实际上是

tf.GraphKeys.TRAINABLE_变量

看起来networks成功地通过以下方式进行了培训：

optimizer = tf.train.AdamOptimizer(config.LEARNING_RATE)
with tf.control_dependencies(tf.get_collection(tf.GraphKeys.UPDATE_OPS)):
    self.train_op = optimizer.minimize(self.loss, var_list=tf.trainable_variables())

但不是用

optimizer = tf.train.AdamOptimizer(config.LEARNING_RATE)
with tf.control_dependencies(tf.get_collection(tf.GraphKeys.UPDATE_OPS)):
    self.train_op = optimizer.minimize(self.loss)

根据：

正如我在批量规范化示例中所看到的，代码

var\u list

被省略：

x\u norm=tf.layers.batch\u规范化（x，training=training）
# ...
update\u ops=tf.get\u集合（tf.GraphKeys.update\u ops）
使用tf.control\u依赖项（更新操作）：
列车运行=优化器。最小化（损失）

如果未将

var\u list

传递给

minimize（）

函数，变量将通过以下方式检索（取自

compute\u gradients（）

）：

如果变量列表为无：
变量列表=(
变量。可训练的_变量（）+
ops.get_集合（ops.GraphKeys.Trainiable_RESOURCE_变量））

如果您没有定义任何不在

tf.trainable_variables（）

中的

ResourceVariable

实例，则结果应该是相同的。我猜问题出在别的地方

在调用

minimize（）

之前，您可以尝试执行一些测试，以确保没有

ResourceVariable

s不在

tf.trainable\u variables（）

中：

将tensorflow导入为tf
使用tf.Graph（）作为默认值（）：
x=tf.placeholder（tf.float32，shape=[None，2]）
使用tf.name_作用域（“网络”）：
对数=tf.layers.density（x，单位=2）
变量列表=（tf.可训练变量（）
+tf.get_集合（tf.GraphKeys.TRAINABLE_RESOURCE_变量））
断言集（变量列表）=集（可训练变量（）

是的，这是最重要的。可能是代码中其他地方的问题

var_list: Optional list or tuple of Variable objects to update to minimize loss. Defaults to the list of variables collected in the graph under the key GraphKeys.TRAINABLE_VARIABLES.