为什么我们要在 tensorflow 中构建变量字典答案

【问题标题】：why do we build a dictionary of variables in tensorflow为什么我们要在 tensorflow 中构建变量字典
【发布时间】：2017-08-03 19:37:05
【问题描述】：

在示例代码中，我看到人们在 tensorflow 中构建变量（权重/偏差）字典。我想知道与单独定义变量相比，这样做有什么好处

字典样式：

weights = { 
    'encoder_w1': tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w1'), 
    'encoder_w2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2], stddev= sd), name='encoder_w2'), 
    'decoder_w1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1], stddev= sd), name='decoder_w1'), 
    'decoder_w2': tf.Variable(tf.random_normal([n_hidden_1, n_input], stddev= sd), name='decoder_w2')
}
biases = { 
    'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1], stddev= sd), name='encoder_b1'), 
    'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2], stddev= sd), name='encoder_b2'), 
    'decoder_b1': tf.Variable(tf.random_normal([n_hidden_1], stddev= sd), name='decoder_b1'), 
    'decoder_b2': tf.Variable(tf.random_normal([n_input], stddev= sd), name='decoder_b2') 
}

独立风格：

encoder_w1 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w1')
encoder_w2 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='encoder_w2')
decoder_w1 = tf.Variable(tf.random_normal([n_input, n_hidden_1], stddev= sd), name='decoder_w1')
#... (you get the idea) `

谢谢！

【问题讨论】：

这完全是一个舒适的问题，特别是将所有这些作为参数一起传递给一个函数，例如这样非常好，但结果将是相同的

标签： python dictionary tensorflow

【解决方案1】：

“字典样式”将更容易一次引用整个组（例如，传递给函数）。

【讨论】：

是通过do实现的吗，例如：list(weights.values()) ?
与变量字典相比，name_scope 能做类似的事情吗？