如何使张量流变量“本地”？

Question

tf.get_variable() 或tf.Variable() 生成的张量流变量似乎是全局变量。发生在我身上的情况如下：假设我制作了以下两个文件：

1. main.py

   from prac_var import defineVar
   for i in range(1000):
       defineVar()
   

2. prac_var.py

   import tensorflow as tf
   def defineVar():
       with tf.variable_scope('weight'):    
           W = tf.Variable(tf.zeros([1,1]),name='W')
           print('\n',tf.trainable_variables())
   

现在如果我运行 main.py，它会产生

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_1/W:0' shape=(1, 1) dtype=float32_ref>]

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_1/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_2/W:0' shape=(1, 1) dtype=float32_ref>]
...

而我真正想要的是

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
...

我怎样才能以不平凡的方式解决这个问题？

Answer 1

首先，我想知道您是否了解 Tensorflow 首先构建一个计算图，然后使用您定义的图进行所有计算。如果您知道变量的名称，则可以使用tf.get_variable() 从任何地方访问所有变量...

如果您在两个不同的地方都获得权重，两次都试图获得变量W，那么您“重用”这些权重。这就是引入变量作用域的原因： https://www.tensorflow.org/programmers_guide/variable_scope#variable_scope_example

如果你想拥有两个不同的权重，你可以说：

with tf.variable_scope('mnistweights'):
  Wmnist = tf.get_variable('W',...)
with tf.variable_scope('exampleweights'):
  Wtest = tf.get_variable('W',...)

现在您有了名称为 mnistweights/W 和 exampleweights/W 的变量。

希望你能更好地理解它！

Answer 2

我无意中找到了解决问题的方法。就是加一行tf.reset_default_graph()。

1. main.py

   from prac_var import defineVar
   for i in range(1000):
       defineVar()
   

2. prac_var.py

   import tensorflow as tf
   def defineVar():
       tf.reset_default_graph()
       with tf.variable_scope('weight'):    
           W = tf.Variable(tf.zeros([1,1]),name='W')
           print('\n',tf.trainable_variables())