在张量流中复制网络

我问过类似的问题here https://stackoverflow.com/questions/42018010/copy-tensorflow-contrib-layers?noredirect=1#comment71210552_42018010.

然而，答案并不能满足我的需要，而且没有人回复我的评论，所以我必须重新发布问题并使其更清楚。

我有 2 个网络，称为目标网络和源网络。为了简单起见，网络定义如下：

# Definition for Source
s_input = tf.placeholder(tf.float32, [None, 1], name='input_layer')
s_output = tf.contrib.layers.fully_connected(input=s_input, num_outputs=1)
# Structure of target is the same as Source's with t_input & t_output.

# Loss
loss = (alpha*t_output - s_input + beta*label)**2
opt = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(loss)

现在，经过一些训练步骤后，我想复制图层的内容（参数）s_output分层t_output以便t_output不会改变为s_output由于梯度下降而改变&t_output仍然得到输入t_input.

我已经尝试过雅罗斯拉夫·布拉托夫建议的解决方案，但它不起作用。

如果我简单地定义我的网络tf.Variable，我可以轻松地复制变量tf.assign，但现在我想用tf.contrib.layers这更加简单和灵活，足以定义我自己的网络。

如果有人不明白我的问题，请通知我，以便我解决它。

您好，您可以使用分配来创建复制操作，例如

s_output = tf.contrib.layers.fully_connected(input = s_input, num_outputs=1, weights_initializer=tf.contrib.layers.xavier_initializer())
t_output = tf.contrib.layers.fully_connected(input = s_input, num_outputs=1)

现在您可以访问可训练变量

vars = tf.trainable_variables()

并复制它们（前半部分是 s_output 中的变量，后半部分是 t_output 中的变量）：

copy_ops = [vars[ix+len(vars)//2].assign(var.value()) for ix, var in enumerate(vars[0:len(vars)//2])]

现在您可以使用以下方法复制数据：

init = tf.global_variables_initializer()
sess = tf.Session() 
sess.run(init)
map(lambda x: sess.run(x), copy_ops)
print(sess.run(vars[2]))

希望这就是您正在寻找的。