tensorflow中定义的tf.Variable时，可以通过trainable属性控制这个变量是否可以被优化器更新。但是，tf.Variable的trainable属性是只读的，我们无法动态更改这个只读属性。在定义tf.Variable时，如果指定trainable=True，那么会把这个Variable添加到“可被训练的变量”集合中。

把trainable指定为布尔变量是不管用的，trainable只在定义变量的那一瞬间有用。

    # trainable只能是bool值，不能是张量trainable = tf.Variable(False, dtype=tf.bool)loss = tf.Variable(3.0, dtype=tf.float32, trainable=trainable)train_op = tf.train.AdamOptimizer(0.01).minimize(loss)with tf.Session()as sess:sess.run(tf.global_variables_initializer())for i in range(100):_, lo = sess.run([train_op, loss], feed_dict={trainable: i % 10 < 5})print('epoch', i, 'loss', lo)    

在定义Variable变量的那一瞬间，如果trainable=true，这个变量就会被添加到可被训练的变量集合中去。当定义optimizer的minimize张量时，minimize张量就会读取可被训练的变量集合并构建张量。此后，即便可被训练的变量集合发生改变，minimize张量也不会再去管哪些变量不能被训练了。

    """如果optimizer的全部变量都是不可训练的，tensorflow会抛出异常所以在这里使用两个变量，两个变量轮流变得可调节:return:"""x = tf.Variable(3.0, dtype=tf.float32)y = tf.Variable(13.0, dtype=tf.float32)train_op = tf.train.AdamOptimizer(0.01).minimize(tf.abs(y - x))with tf.Session()as sess:sess.run(tf.global_variables_initializer())print("trainable_variables is a function")print(tf.trainable_variables, type(tf.trainable_variables()))print(tf.trainable_variables())print("tf.GraphKeys has several string key")print(tf.GraphKeys.TRAINABLE_VARIABLES, type(tf.GraphKeys.TRAINABLE_VARIABLES))print("tf.get_collection can get something by tf.GraphKeys")col = tf.get_collection_ref(tf.GraphKeys.TRAINABLE_VARIABLES)print(col, type(col))print("try remove x from trainable variables")del col[col.index(x)]  # 此处虽然可被训练的变量集合变化了，但是train_op已经定义完了print(tf.trainable_variables())print('=======')for i in range(100):_, xx, yy = sess.run([train_op, x, y])print('epoch', i, xx, yy)  # 此处x和y都会变化

tf.GraphKeys

tf.GraphKeys中包含了所有默认集合的名称，可以通过查看__dict__发现具体集合。

tf.GraphKeys.GLOBAL_VARIABLES：global_variables被收集在名为tf.GraphKeys.GLOBAL_VARIABLES的colletion中，包含了模型中的通用参数

tf.GraphKeys.TRAINABLE_VARIABLES：tf.Optimizer默认只优化tf.GraphKeys.TRAINABLE_VARIABLES中的变量。

• tf.global_variables() GLOBAL_VARIABLES
  存储和读取checkpoints时，使用其中所有变量
  跨设备全局变量集合
• tf.trainable_variables() TRAINABLE_VARIABLES
  训练时，更新其中所有变量
  存储需要训练的模型参数的变量集合
• tf.moving_average_variables() MOVING_AVERAGE_VARIABLES
  ExponentialMovingAverage对象会生成此类变量
  实用指数移动平均的变量集合
• tf.local_variables() LOCAL_VARIABLES
  在global_variables()之外，需要用tf.init_local_variables()初始化
  进程内本地变量集合
• tf.model_variables() MODEL_VARIABLES
  Key to collect model variables defined by layers.
  进程内存储的模型参数的变量集合
• QUEUE_RUNNERS 并非存储variables，存储处理输入的QueueRunner
• SUMMARIES 并非存储variables，存储日志生成相关张量

除了以上的函数外(上表中最后两个集合并非变量集合，为了方便一并放在这里)，还可以使用tf.get_collection(集合名)获取集合中的变量，不过这个函数更多与tf.get_collection(集合名)搭配使用，操作自建集合。

Summary被收集在名为tf.GraphKeys.UMMARIES的colletion中，Summary是对网络中Tensor取值进行监测的一种Operation，这些操作在图中是“外围”操作，不影响数据流本身，调用tf.scalar_summary系列函数时，就会向默认的collection中添加一个Operation。

我们也可以自定义变量集合、操作集合，这在正则化参数时非常有用。

x1 = tf.constant(1.0)
l1 = tf.nn.l2_loss(x1)
x2 = tf.constant([2.5, -0.3])
l2 = tf.nn.l2_loss(x2)
tf.add_to_collection("losses", l1)
tf.add_to_collection("losses", l2)
losses = tf.get_collection('losses')
loss_total = tf.add_n(losses)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
losses_val = sess.run(losses)
loss_total_val = sess.run(loss_total)

我说

tensorflow臃肿庞杂，设计者的设计水平远远比不上keras。
tensorflow臃肿庞杂，做了许多外围操作。比如为变量起名字，把变量添加到集合中，使用summary来监控训练中产生的数据。这些操作都不是核心操作，分清核心操作和扩展操作非常重要。

• 基本操作：如加减乘除、矩阵乘法等运算
• python语言操作：基本上是一些外围操作如collection，summary，dataset等。tf.gfile中定义了一堆文件操作，比python自带的文件操作要高效易用。
• 函数级封装：把经常使用的基本操作定义成一个函数，如softmax、wx_b、cross_entropy等。
• 层级封装：定义一些常见层，如全连接层、卷积层等。
• 模型封装：keras中有Model，Tensorflow不好意思直接拿来用，起了个名叫“Estimator”。

optimizer其实也是一种封装，optimizer其实就是对变量执行assign操作。除了使用反向传播，我们也可以自己定义基于遗传算法的optimizer。

拦截optimizer的梯度更新过程实现动态trainable

optimizer计算梯度的过程是应用梯度的过程是两个步骤。计算梯度张量返回一个grad_and_vars列表，应用梯度需要grad_and_vars列表作为参数。

我们可以建立(loss,exemp)到minize张量的映射。

    # 拦截梯度更新过程class MyOptimizer:def __init__(self, optimizer: tf.train.Optimizer):self.optimizer = optimizerself.operations = dict()def minimize(self, loss, exemp):"""注意：因为minimize操作是在sess运行时运行的，如果总是创建新操作，GPU内存会溢出"""k = ' '.join(sorted([i.name for i in exemp])) + loss.nameif k not in self.operations:a = [i for i in tf.trainable_variables() if i not in exemp]grad_vars = self.optimizer.compute_gradients(loss, a)op = self.optimizer.apply_gradients(grad_vars)self.operations[k] = opreturn self.operations[k]x = tf.Variable(3.0, dtype=tf.float32)y = tf.Variable(31.0, dtype=tf.float32)loss = tf.abs(x - y)"""为了初始化optimizer中的一些信息，所以需要来一个加的operation形成一个张量"""optimizer = MyOptimizer(tf.train.AdamOptimizer(0.01))train_op = optimizer.minimize(loss, [])with tf.Session()as sess:sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))for i in range(100):exemp = [x if i % 10 < 5 else y]_, xx, yy, lo = sess.run([optimizer.minimize(loss, exemp=exemp), x, y, loss])print('epoch', i, 'x', xx, 'y', yy, 'loss', lo)

这种方法的缺点在于使用loss和exemp作为key，如果key太多，定义的张量就会变多，这样会产生很多变量。

尝试优化一下，使用loss作为key。

        def __init__(self, optimizer: tf.train.Optimizer):self.optimizer = optimizerself.operations = dict()def minimize(self, loss, exemp):"""注意：因为minimize操作是在sess运行时运行的，如果总是创建新操作，GPU内存会溢出"""if loss.name not in self.operations:grad_vars = self.optimizer.compute_gradients(loss)self.operations[loss.name] = grad_varsgrad_vars = self.operations[loss.name]exemp = set(exemp)grad_vars = list(filter(lambda x: x[1] not in exemp, grad_vars))op = self.optimizer.apply_gradients(grad_vars)return opx = tf.Variable(3.0, dtype=tf.float32)y = tf.Variable(31.0, dtype=tf.float32)loss = tf.abs(x - y)"""为了初始化optimizer中的一些信息，所以需要来一个加的operation形成一个张量"""optimizer = MyOptimizer(tf.train.AdamOptimizer(0.01))train_op = optimizer.minimize(loss, [])with tf.Session()as sess:sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))for i in range(100):exemp = [x if i % 10 < 5 else y]_, xx, yy, lo = sess.run([optimizer.minimize(loss, exemp=exemp), x, y, loss])print('epoch', i, 'x', xx, 'y', yy, 'loss', lo)

这种方法其实更差劲，因为apply_gradients依旧会创建许多张量（许多tf.assign_sub张量），而第一种方法反倒没有那么多的张量。

梯度更新的过程其实就是一堆assign操作。

    # 拦截梯度更新过程class MyOptimizer:def __init__(self, optimizer: tf.train.Optimizer):self.optimizer = optimizerself.operations = dict()def minimize(self, loss, exemp):"""注意：因为minimize操作是在sess运行时运行的，如果总是创建新操作，GPU内存会溢出"""if loss.name not in self.operations:grad_vars = self.optimizer.compute_gradients(loss)op = [(variable, tf.assign_sub(variable, self.optimizer._lr * grad)) for grad, variable in grad_vars]self.operations[loss.name] = opgrad_vars = self.operations[loss.name]op = [x[1] for x in grad_vars if x[0] not in exemp]return opx = tf.Variable(3.0, dtype=tf.float32)y = tf.Variable(31.0, dtype=tf.float32)loss = tf.abs(x - y)"""为了初始化optimizer中的一些信息，所以需要来一个加的operation形成一个张量"""optimizer = MyOptimizer(tf.train.AdamOptimizer(0.01))train_op = optimizer.minimize(loss, [])with tf.Session()as sess:sess.run((tf.global_variables_initializer(), tf.local_variables_initializer()))for i in range(100):exemp = [x if i % 10 < 5 else y]_, xx, yy, lo = sess.run([optimizer.minimize(loss, exemp=exemp), x, y, loss])print('epoch', i, 'x', xx, 'y', yy, 'loss', lo)

参考资料

https://www.cnblogs.com/hellcat/p/9006904.html