Python Keras模型中权重和变量之间的区别是什么？

我注意到

tf.keras.Model

s有两组相似的属性：

权重

，

变量

可训练权重

，

可训练变量

不可训练权重

，

不可训练变量

还有一些方法：

添加权重

，

添加变量

在我所研究的模型中，属性对的值是相同的，并且是您所期望的（适当的

tf.Variable

s集合）

所以我的问题是：两者之间有什么区别？概念上的区别是什么？什么时候应该使用其中一种

---

这是TensorFlow 2.3.1。

添加变量

，相关位似乎是TensorFlow 1的遗留部分。从今天的主版本开始，

add_variable

是

add_weight

的别名，如果调用，将发出弃用警告

如果我们看一下，我们会发现

可训练的变量

和

不可训练的变量

是关于

可训练的权重

和

不可训练的权重

@property
@doc_controls.do_not_generate_docs
def trainable_variables(self):
  return self.trainable_weights

@property
@doc_controls.do_not_generate_docs
def non_trainable_variables(self):
  return self.non_trainable_weights

我相信这样做是为了一致性。在tensorflow代码库中，您可以发现许多与高API KERA无关的代码也具有这两个属性（

trainable\u variables

和

non\u trainable\u variables

）

然而，从keras存储库中查看代码，很明显，keras使用了

可训练权重

和

不可训练权重

来引用相同的概念。见