通常，如果我们在类中通过神经网络定义了一个函数，然后在另一个类中，如果我们需要这个函数的参数或变量列表，在TensorFlow中，我们可以使用tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope="函数名")，这对我来说既方便又熟悉，尽管我猜想还有许多其他更有效的方法可以做到这一点。

然而，在某些情况下，我们可能需要定义一个基于两个不同神经网络的函数，比如F(x) = F(NN_1(x), NN_2(x))，那么在另一个类中，如何正确地获取NN_1()和NN_2()的两个变量列表呢？显然，这里使用tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope="函数名"会导致获取F(x)的混合变量列表，而不是NN_1和NN_2的两个变量列表。

def function()    with tf.name_scope(function):        with tf.name_scope(subfunction_1):           neural_network_1        with tf.name_scope(subfunction_2):           neural_network_2

回答：

在名称范围的树结构中，你可以访问各个范围内的变量，如下所示：

vars_1 = tf.get_collection(    tf.GraphKeys.TRAINABLE_VARIABLES, scope="函数名/子函数名_1")vars_2 = tf.get_collection(    tf.GraphKeys.TRAINABLE_VARIABLES, scope="函数名/子函数名_2")