我有一个包含多个作用域的网络，这些作用域内有多个变量。我需要一种方法来设置特定变量或名称作用域的可训练性，使它们不被更新且不包括在梯度计算中，然后在满足某些条件后再将它们设置为可训练。这是否可行？如果可以，如何操作？

with tf.name_scope('layer1'):     w = tf.Variable(...)     b = tf.Variable(...)     ... some function ...with tf.name_scope('layer2'):     w = tf.Variable(...)     b = tf.Variable(...)     ... some function ...with tf.name_scope('layer3'):     w = tf.Variable(...)     b = tf.Variable(...)     ... some function ...

我想更改第一个作用域中变量的可训练性，因为这些变量是从预训练文件中恢复的，并且已经学习过了。所以，我希望在其他层中的变量学习完毕之前训练这些变量，然后再将第一个作用域中变量的可训练性设回True，并一起训练它们。

回答：

你可以使用每个优化器都有的var_list参数：https://www.tensorflow.org/api_docs/python/tf/train/Optimizer

文档中说明：

var_list: 可选的变量对象列表，用于最小化损失。默认情况下，使用图形中收集在GraphKeys.TRAINABLE_VARIABLES键下的变量列表。

在你的情况下，你可以这样说：

optimizer = GradientDescentOptimizer(0.01)optimizer.minimize(loss,[w1,w2])

如果这对你有帮助，请告诉我们！