Python 类内Tensorflow图-如何管理会话和范围

我正试图构建一个封装在一个简单的单层NN类中的通用tensorflow基础设施（参见下面的代码）

我将创建许多NNET，因此我想知道管理会话和变量的最佳方法是什么

通常，我希望只为一个网络获取tf.trainable_variables（），而不是所有网络（在“show”函数中），以便打印所需的网络

我还必须将会话变量“sess”传递给每个函数，以便不重新初始化变量。 我想我没有把每件事都做好。。。有人能帮忙吗

class oneLayerNN: 

"""
Implements a 1 hidden-layer neural network: y = W2 * ([W1 * x + b1]+) + b1
"""

def __init__(self, ...):
    ...
    self.initOp = tf.global_variables_initializer()

def show(self, sess):
    tvars = tf.trainable_variables()
    tvals = sess.run(tvars)
    for var, val in zip(tvars,tvals):
        print(var.name, val)
    print()

def initializeVariables(self, sess):
    sess.run(self.initOp)

def forwardPropagation(self, sess, x):
    labels = sess.run(self.yHat, feed_dict={self.x: x})
    return labels

def train(self, sess, dataset, epochs, batchSize, debug=False, verbose=False):
    dataset = dataset.batch(batchSize)
    iterator = dataset.make_initializable_iterator()
    next_element = iterator.get_next()
    for epoch in range(epochs):
        sess.run(iterator.initializer)
        while True:
            try:
                batch_x, batch_y = sess.run(next_element)
                _, c = sess.run([self.optimizer, self.loss], feed_dict={self.x: batch_x, self.y: batch_y})
            except tf.errors.OutOfRangeError:
                break

with tf.Session() as sess:
    network.initializeVariables(sess)
    network.show(sess)  

---

这可能是一个品味和你打算如何使用你的物品的问题

---

如果您可以将对象限制为处理单个

tf.Session

（就像在Keras中一样-应该包括基本需求，可能还有一点超出），那么您可以通过首选的类似于单例的模式（可能只是像Keras中的普通旧函数）简单地实例化单个

tf.Session

谢谢你的回答

但是，我仍然对变量的作用域存在问题。如何将变量定义为对象的一部分？我希望能够做到以下几点：

vars = network.getTrainableVariables()

这应该只返回在该对象中定义的变量（与tf.trainable_variables（）不同）

在同时使用多个网络时，我找不到一个范围内干净声明变量的示例（例如，范围就是网络的名称）

当我多次运行代码时，它会创建变量W，b，然后W_1，b_1，然后W_2，b_2等等

另外，我希望network.initialize（）仅初始化此图中定义的变量，而不是每个网络中的所有变量

---

解决方案是在“名称”范围内为网络声明变量，然后能够在此“名称”范围内重置默认图，但我不能这样做。

我建议使用

tf.keras.Model

来管理状态。请看下面的图片。这里有使用

Model.fit

的培训示例，但您也可以直接调用对象，它将在属性中为您收集变量和损失（

变量

，

可培训的_变量

，

损失

，等等）

---

无论您做什么，我都会将模型定义（管理

变量
对象的任何内容）从训练循环中分离出来。在定义模型时，
变量
s应该是模型定义对象的属性，并且创建一次（不一定在
\uuuu init\uuuu
中创建，但是如果self.attribute不是None，则受
保护：self.attribute=tf.Variable（…）
。
您可以执行
sess=tf.Session（）
，并将其作为类属性。您不必使用
和
进行操作。