machine-learning - 如何使预先存在的 tensorflow variable_scope应用于操作？

Question

以下内容按预期工作:

import tensorflow as tf
with tf.variable_scope('layer123'):
    v = tf.get_variable('v', [], initializer=tf.constant_initializer(3., tf.float32))
    w = v * 2

print(v.name)    # Prints layer123/v:0
print(w.name)    # Prints layer123/mul:0

但是，当我尝试以下操作时:

with tf.variable_scope('layer123'):
    v = tf.get_variable('v', [], initializer=tf.constant_initializer(3., tf.float32))

# There might be some code here (perhaps even a different function), but not necessarily

with tf.variable_scope('layer123'):
    w = v * 2

print(v.name)    # Prints layer123/v:0
print(w.name)    # Prints layer123_1/mul:0

此处，变量 w 位于自动命名为 layer123_1 的新 variable_scope 中。我该如何防止这种行为？正如预期的那样，在第二个 with 语句中设置 reuse=True 没有帮助。

我想要 w.name == 'layer123/mul:0'，特别是当乘法运算没有在变量 v 之后立即定义(即不退出作用域)时 已定义。

谢谢!

Answer 1

您可以通过重用作用域对象来做到这一点。例如，

with tf.variable_scope('layer123') as scope:
    v = tf.get_variable('v', [], initializer=tf.constant_initializer(3., tf.float32))
with tf.variable_scope(scope):
    w = v * 2

有关详细信息，请参阅documentation on sharing variables .