Tensorflow：如何在图中共享ops？

这是关于创建一个尽可能简单的图形，这样以后就可以检查它了。代码的相关部分是这个，我认为这是创建生成性对抗训练的典型代码块（接下来是一个在实践中不起作用的简化网络）：

我的整个代码的Tensorflow图如下所示：

---

现在我尝试了“tf.name\u scope”和“tf.variable\u scope”的所有方法，但有一件事我不能做，那就是合并ops。Tensorflow会自动为网络再次创建相同的操作。这意味着，例如，在此设置和图形中，它将始终创建“layer_1”和layer_1_2”。我想我明白这一切在做什么。但我不明白的是，为什么不可能将其限定为一个层，只有一个ops块和一个生成变量的块。因此，在图中，“鉴别器”内只有一个网络，选择仅在输入端进行。我认为这基本上可以归结为为什么不可能制作一个图形，在重新塑造之后，网络将其视为一个更大的批次，因为现在ops是相同的？

您永远不会在tensorflow中共享ops。假设一个op有一个固定的输入（在运行期间），再次运行同一个op没有意义，因为它会给您相同的输出

然而，共享权重/变量是有意义的。假设你有一个密集的完全连接的层，你应用于两个不同的张量（在你的例子中是假数据和真数据）。请注意，输入是不同的，因此这些将是不同的操作。使用

tf.variable\u scope（…，reuse=tf.AUTO\u reuse）

重用变量

---

如果你真的想在你的图中有一个单独的运算，一个选项是把输入浓缩成一个看起来像是你当前批大小两倍的批，然后在串联张量上运行运算。通过这种方式，您可以确保对两个输入应用相同的操作，并且可能会获得一些小的速度提升（类似于从大批量中获得的速度）。

谢谢您的回复。连接它们是我现在所做的，以避免出现这种过于复杂的图形。事实上，这就是为什么tensorflow不知道在整形操作之后，除了批量大小之外，网络输入具有相同的尺寸，并且由于变量共享，应该进行完全相同的计算。因此，我不明白为什么计算图不会自动变得更简单？这与计算时的时间同步有关吗？我知道一种更好的方式来表达我的想法：）Op可以用作固定操作，但输入/输出值可以更改，对吗？那么，为什么我不能在更高的层次上做到这一点呢？因此，网络成为Op？或者如果可能的话，我该怎么做？@JeroenBertels我想你明白了。为什么会这样，我不太清楚。可能是因为有人认为这会更简单。

def generator(x):
    w_init = tf.truncated_normal_initializer(0., 0.02)
    b_init = tf.constant_initializer(0.)
    l1 = tf.layers.dense(x, 256, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.relu, name='layer_1')
    l2 = tf.layers.dense(l1, 512, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.relu, name='layer_2')
    o = tf.layers.dense(l2, 784, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.tanh, name='layer_out')
    return o

def discriminator(x, reuse=False):
    w_init = tf.truncated_normal_initializer(0., 0.02)
    b_init = tf.constant_initializer(0.)
    x = tf.reshape(x, [-1, 784])
    l1 = tf.layers.dense(x, 1024, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.relu, name='layer_1')
    l2 = tf.layers.dense(l1, 512, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.relu, name='layer_2')
    o = tf.layers.dense(l2, 1, kernel_initializer=w_init, bias_initializer=b_init, activation=tf.nn.sigmoid, name='layer_out')
    return o

with tf.variable_scope('input_variables'):
    x = tf.placeholder(tf.float32, shape=(None, 28, 28, 1), name='real_images')
    z = tf.placeholder(tf.float32, shape=(None, noise_size), name='noise_vector')

with tf.variable_scope('generator'):
    G_z = generator(z)

with tf.variable_scope('discriminator', reuse=tf.AUTO_REUSE):
    D_real = discriminator(x)
    D_fake = discriminator(G_z, reuse=True)