Tensorflow 在张量流中，可以分别计算两种梯度吗

我们知道，当我们运行“优化器”时，tensorflow将计算梯度并更新w_1和w_2

但我想做的是，首先，我想把w_1当作一个常数，我只想计算梯度，只更新w_2。其次，将w_2视为一个常数，计算梯度并仅更新w_1。我想轮流做这些事情

事实上，我以前见过这个：。但我使用的是BasicLSTMCell模块。我尝试了以下代码：

print（tf.get\u collection（tf.GraphKeys.TRAINABLE\u VARIABLES））

，它表明在我的神经网络中有四种参数，这意味着除了w\u 1和w\u 2之外，在BasicLSTMCell中还有另外两个参数。

---

因此，如果我使用诸如

var\u list=[w\u 1]

，BasicLSTMCell中的其他两个参数无法优化，我该怎么做

有可能，甚至很可能，

BasicLSTMCell

以某种方式允许您访问其

变量的内部集合，您可以将其传递到
var\u list
。但更通用的方法也可以是直接从优化器界面获取梯度：

w_1   = tf.get_variable("w_1", shape)   
w_2   = tf.get_variable("w_2", shape) 
output = tf.mul(w_1, w_2)
.....
.....
optimizer = tf.train.AdamOptimizer(alpha).minimize(self.cost)

梯度和变量
是元组列表
（梯度，变量）
。您可以筛选出要保持固定的，然后应用其余的：

optimizer = tf.train.AdamOptimizer(alpha)

grads_and_vars = optimizer.compute_gradients(self.cost)

做你想做的事很棘手，但也是可能的。诀窍是定义一个
var_列表
，当你想保持它不变时，从列表中排除
w_1
（或
w_2
）。例如，可以使用列表理解根据变量（唯一）名称匹配变量，如下所示：

optimizer.apply_gradients(filtered_grads_and_vars)

您知道如何访问BasicLSTMCell内部变量集合吗？但这有一些限制-例如，无论出于何种原因，如果您想使用tf.stop_梯度，就我所知，无法区分您想要通过哪些梯度。
w_1 = tf.get_variable("w_1", shape)   
w_2 = tf.get_variable("w_2", shape) 
output = tf.mul(w_1, w_2)

variables_without_w_1 = [v for v in tf.trainable_variables() if v.name != w_1.name]
variables_without_w_2 = [v for v in tf.trainable_variables() if v.name != w_2.name]

optimizer_without_w_1 = tf.train.AdamOptimizer(alpha).minimize(
    self.cost, var_list=variables_without_w_1)
optimizer_without_w_2 = tf.train.AdamOptimizer(alpha).minimize(
    self.cost, var_list=variables_without_w_2)