在张量流中使用具有可变相关性的自定义op替换图中的节点

Question

我试图用做同样的自定义操作替换图形中完成的计算。

可以说该图具有常量A和权重变量W ，我创建了自定义op来接受这两个输入并进行整个计算（权重更新的最后一步除外）：

custom_op_tensor = custom_module.custom_op([A,W])
g_def = tf.get_default_graph().as_graph_def()
input_map = { tensor.name : custom_op_tensor }
train_op, = tf.import_graph_def(g_def, input_map=input_map, return_elements=[train_op])

在导入图def之后，有两个W ，一个来自原始图def，一个在导入图中。 当我们运行火车操作时，自定义操作最终将读取旧的W并更新新的W 结果，梯度下降最终无法做正确的事情。

问题是custom_op的实例化需要输入权重张量W 仅在导入后才知道新的W 并且，导入需要自定义操作。 如何解决这个问题？

Answer 1

您能否精确说明使用哪个版本的Tensorflow：r0.08，r0.09，r0.10，r0.11？

不可能用另一个操作来改变图中的一个操作。 但是，如果您可以访问W，您仍然可以在运行火车op之前对W进行备份（使用copy模块中的 deepcopy（）），以对其进行更新？

问候