Python 计算时对网络权重的自定义操作

我正在使用TensorFlow和Python创建自定义神经网络。在传递每个输入数据之前，我需要更改权重和偏差。网络的结构是常见的（顺序的、有监督的、带反向传播的），唯一的区别是在每次传递之前，我需要进行一些计算

---

例如，我有一些输入（x），在我将它们传递到网络并计算网络结果（y）之前，在每次传递中，我需要运行一个函数来改变权重。我的问题是，在我计算了新的权重和偏差之后，网络如何能够进一步正常地计算所有其他内容（整个网络计算、损耗和优化函数）？如果可能，我如何达到重量，然后创建额外的自定义步骤？

您可以使用

tf.assign

操作。链接是。metaflow的这一点也很有用。

您应该首先收集集合中应该更改的所有权重，或者根据变量名称选择变量，然后进行更改，然后将更改后的值分配给原始变量。在sess.run之后，您可以在现实中更改它们

例如：

t_vars = tf.trainable_variables()
d_vars = [var for var in t_vars if 'this_' in var.name]
clip_D = [p.assign(tf.clip_by_value(p, -1, 1)) for p in d_vars]

---

非常感谢。这对我帮助很大。谢谢你的解释！