tensorflow 多Agent 灵活保存、更新Graph的各部分参数（tf.variable_scope(), tf.get_collection(), tf.train.Saver()）

南阁风起

于 2019-02-06 18:40:46 发布

阅读量2k

点赞数 4

分类专栏：技术总结文章标签： tensorflow 机器学习深度学习人工智能

本文链接：https://blog.youkuaiyun.com/qq_27465499/article/details/86768909

版权

在复杂TensorFlow模型中，需要灵活控制各部分参数的更新和保存。利用`tf.variable_scope()`定义变量作用域，通过`tf.get_collection()`获取特定作用域内的变量。可以独立训练部分参数，并使用`tf.train.Saver()`进行参数的保存和读取，实现多Agent场景下的参数管理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

当使用tensorflow搭建机器学习模型时，简单的模型可以直接从输入X开始，一层层地设置变量和operation，最终得到输出 $\hat{Y}$ ，并和label：Y一起计算出Loss Function，然后调用优化器最小化Loss即可。

然而，复杂的模型往往涉及到这样的问题，有时候，我们并不希望像上面一样，直接对模型进行端到端的更新，又或者模型涉及到多个agent，有多个优化目标，这时候，我们就不能像上面一样简单的直接对Graph内的全体参数直接进行梯度下降更新，而是需要灵活控制各部分参数。

主要依赖的函数是tf.variable_scope() 和 tf.get_collection()。

tf.variable_scope()

import tensorflow as tf
n1 = 50
input_dim = 100
output_dim = 1
X = tf.placeholder(tf.float32, [None, input_dim], 'X')
Y1 = tf.placeholder(tf.float32, [None, output_dim], 'Y1')
Y2= tf.placeholder(tf.float32, [None, output_dim], 'Y2'