Python Tensorflow-使用先前学习的权重初始化不同维度的新权重

我试图使用以前学习到的维度

m

的权重来初始化维度

n

的权重张量，其中

n>m

。我可以像下面那样做

all_weights['w1'] = tf.Variable(tf.zeros([n, output_sz], dtype=tf.float32))
all_weights['w1'] = all_weights['w1'][:m,:].assign(initial_weights['w1'])

然而，当实际学习发生时，我遇到了一个问题，如果我不使用体重分担，我就不会遇到这个问题

w1

最初是一个tf.变量，我注意到它在切片赋值后变成了一个张量对象：

Tensor（“跨步切片/\u赋值：0”）

。我的问题是我得到了错误：

`LookupError: No gradient defined for operation 'strided_slice_2/_assign' (op type: StridedSliceAssign)`.

这与类型（张量vs.tf.变量）有关吗？把张量转换成tf变量对某些人来说有意义吗？我试图这样做，但随后出现如下错误：

`FailedPreconditionError: Attempting to use uninitialized value Variable_4
 [[Node: strided_slice/_assign = StridedSliceAssign[Index=DT_INT32, T=DT_FLOAT, _class=["loc:@Variable_4"], begin_mask=3, ellipsis_mask=0, end_mask=2, new_axis_mask=0, shrink_axis_mask=0, _device="/job:localhost/replica:0/task:0/cpu:0"](Variable_4, strided_slice/stack, strided_slice/stack_1, strided_slice/stack_2, strided_slice/_assign/value)]]`

---

我是Tensorflow的新手，因此非常感谢您的帮助。谢谢

tf.变量

与

张量

是一个非常不同的东西。在他们之间“投”是没有意义的

最简单的解决方案是直接在

变量

创建中使用

初始权重

。例如，类似这样的内容：

import numpy as np
tf.Variable(np.append(initial_weights['w1'],
                      np.zeros((n-m, output_sz)),
                      axis=0),
            dtype=tf.float32)