Tensorflow 在哪些情况下，我们在TF2中的tf.keras.Model的可训练_权重上使用属性trainable_变量，反之亦然？

我正在研究如何在TF2中进行迁移学习，我看到在TF2中，他们使用属性

trainable_variables

引用模型的可训练变量，但在这一过程中，他们使用

TF.keras.model

的属性

trainable_weights

我用一个简单的模型检查了这两个属性，它们给出了相同的结果

import tensorflow as tf
print(tf.__version__)

inputs = tf.keras.layers.Input(shape=[64, 64, 3])

x = tf.keras.layers.Conv2D(128, kernel_size=3, strides=2)(inputs)
x = tf.keras.layers.BatchNormalization()(x)
x = tf.keras.layers.LeakyReLU(alpha=0.2)(x)

model = tf.keras.Model(inputs=inputs, outputs=x)

print("\nTrainable weights")
vars_model = [var.name for var in model.trainable_weights]
print(*vars_model, sep="\n")

print("\nTrainable variables")
vars_model = [var.name for var in model.trainable_variables]
print(*vars_model, sep="\n")

输出：

2.2.0

Trainable weights
conv2d/kernel:0
conv2d/bias:0
batch_normalization/gamma:0
batch_normalization/beta:0

Trainable variables
conv2d/kernel:0
conv2d/bias:0
batch_normalization/gamma:0
batch_normalization/beta:0

我检查了这一点，并试图遵循这两个属性的定义：

trainable\u variables

似乎是和

trainable\u weights

似乎是，因为

td.keras.Model

也继承自

network.network

。前者似乎返回

可训练的\u权重

变量。但是，我不确定这种情况是否在“所有”情况下都会发生

---

因此，我想知道在哪些情况下，我们使用

trainable\u变量

超过

trainable\u权重

，反之亦然？为什么呢？

它们在Tensorflow 2.2.0版中都是相同的。如果您进入基本层的源代码-（单击“在GitHub上查看源代码”），您可以找到以下分配这是所有层从中继承的类。

  @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

---

希望这能回答你的问题。快乐学习。

可训练的变量=可训练的权重。但是，它们是权重矩阵的数量，不像可训练的参数。

奇怪的是，这些属性似乎没有出现在tf.keras.Model一章中。根据我对Tensorflow代码库的理解，

可训练的变量

是针对面向用户的API的，而

trainable_weights

则是为内部API保留的，用于在将来的版本中添加功能，或者是对过去版本的重新命名。不管怎样，到目前为止，这两个版本都是相同的。@SusmitAgrawal，它们来自过去的版本是有道理的。引起我注意的是这些属性在不同的官方文档中的使用。例如，到Keras文件的链接，使用了

可训练的重量

，于2020年5月更新。所以，我想也许他们用的不同。Thanks@K.博格丹-希望我们已经回答了你的问题。如果你对答案感到满意，请接受并投票。谢谢。所以，正如@SusmitAgrawal所指出的，它们可能来自过去的版本，对吗？也许这就是为什么它们被用于框架的不同文档中。也许，是的。但是找不到支持该声明的文档。如果你满意的话，请你接受并投赞成票。