Tensorflow 为什么我们需要张量的名字

假设我有一个层，我想重复K次：

    {conv - relu - pool} x K

在这种情况下，我需要迭代运行第K层的前向过程：

for k in range(len(K)):
    Wk = ...
    bk = ...
    conv = tf.nn.conv2d(pool, Wk, ...) + bk

在这里，如果我错过了'name'参数，我的conv张量会在每次迭代中被替换吗？正确的变体是：

for k in range(len(K)):
    Wk = ...
    bk = ...
    name='conv%d' % (k)
    conv = tf.nn.conv2d(name=name, pool, Wk, ...) + bk

---

因此，如果不输入名称，则不会覆盖或替换该值。TF提出了自己的命名约定，如常量1、常量2等

name参数之所以有用，至少有一个原因是因为TensorBoard使用了它。此参数用于TF名称空间（vs Python名称空间-因此变量名被TF忽略）

因此，当您有多个迭代时，该命名约定将用于命名不同的名称

---

WRT如何使用它，有几种方法可以做到这一点-其中之一你已经键入。另一种方法是使用“范围”——这样TB（TensorBoard）图看起来更整洁、更易于管理。至少从TB的角度来看，使用范围也是可选的

因此，如果不输入名称，则不会覆盖或替换该值。TF提出了自己的命名约定，如常量1、常量2等

name参数之所以有用，至少有一个原因是因为TensorBoard使用了它。此参数用于TF名称空间（vs Python名称空间-因此变量名被TF忽略）

因此，当您有多个迭代时，该命名约定将用于命名不同的名称

WRT如何使用它，有几种方法可以做到这一点-其中之一你已经键入。另一种方法是使用“范围”——这样TB（TensorBoard）图看起来更整洁、更易于管理。至少从TB的角度来看，使用范围也是可选的