理解Tensorflow中的变量范围示例

我在看Tensorflow的力学部分，特别是关于。在“问题”一节中，他们正在处理卷积神经网络，并提供以下代码（通过模型运行图像）：

#第一次调用创建一组变量。
结果1=我的图像过滤器（图像1）
#在第二次调用中创建另一个集合。
结果2=我的图像过滤器（图像2）

如果模型是以这种方式实现的，那么是否不可能学习/更新参数，因为我的训练集中每个图像都有一组新的参数

编辑： 我还尝试了简单线性回归的“问题”方法，这种实现方法似乎没有任何问题。培训似乎工作得很好，代码的最后一行也显示了这一点。所以我想知道tensorflow文档和我正在做的工作是否存在细微的差异：

将tensorflow导入为tf
将numpy作为np导入
trX=np.linspace（-1,1101）
trY=2*trX+np.random.randn（*trX.shape）*0.33#创建一个近似线性但带有一些随机噪声的y值
X=tf.placeholder（“float”）#创建符号变量
Y=tf.占位符（“浮动”）
def型号（X）：
使用tf.variable_scope（“param”）：
w=tf.Variable（0.0，name=“weights”）#为权重矩阵创建一个共享变量（如theano.shared）
return tf.mul（X，w）#lr只是X*w，所以这个模型线非常简单
y_模型=模型（X）
成本=（tf.pow（Y-Y_模型，2））#成本函数使用sqr误差
train_op=tf.train.GradientDescentOptimizer（0.01）.最小化（成本）#构造一个优化程序，以最小化成本并使线路适合我的数据
sess=tf.Session（）
init=tf.initialize_all_variables（）#您需要初始化变量（在本例中，只需初始化变量W）
sess.run（初始化）
带tf.可变_范围（“列车”）：
对于范围（100）内的i：
对于拉链中的（x，y）（trX，trY）：
sess.run（train_op，feed_dict={X:X，Y:Y}）
print sess.run（y_模型，feed_dict={X:np.array（[1,2,3]））

每个完整的培训（和测试）集只需创建一次变量集。可变范围的目标是允许参数子集的模块化，例如属于层的参数子集（例如，当层的架构重复时，可以在每个层范围内使用相同的名称）

在您的示例中，仅在

模型

函数中创建参数。您可以打印出变量名称，以查看是否已将其分配给指定的范围：

from\uuuuu future\uuuuu导入打印功能
X=tf.placeholder（“float”）#创建符号变量
Y=tf.占位符（“浮动”）
打印（“X:，X.name）
打印（“Y:，Y.名称）
def型号（X）：
使用tf.variable_scope（“param”）：
w=tf.Variable（0.0，name=“weights”）#为权重矩阵创建一个共享变量（如theano.shared）
打印（“w:，w.名称）
返回tf.mul（X，w）

调用

sess.run（train_op，feed_dict={X:X，Y:Y}）

仅在给定

X

和

Y

的值的情况下计算

train_op

的值。没有创建新的变量（包括参数）；因此，它没有效果。通过再次打印变量名，可以确保变量名保持不变：

带tf.变量范围（“列车”）：
打印（“X:，X.name）
打印（“Y:，Y.名称）
对于范围（100）内的i：
对于拉链中的（x，y）（trX，trY）：
sess.run（train_op，feed_dict={X:X，Y:Y}）

您将看到变量名保持不变，因为它们已经初始化

如果要使用变量的作用域检索变量，则需要在

tf.variable\u scope

附件中使用

get\u variable

：

带有tf.variable_scope（“param”）：
w=tf.get_变量（“权重”[1]）
打印（“w:，w.名称）

因此tf.get_变量实际上是“创建”变量，而不是简单地“检索”变量，是吗？参考此--->您对变量范围有了清晰的认识