我尝试使用神经网络实现的任务与其最常见的用法略有不同。我试图通过优化网络的权重来模拟一个物理过程，这些权重代表物理属性，从输入层传播到输出层。

因此，我需要一个例如150层的网络，每层具有相同的属性，形式为

mx+b

其中x是我想要优化的变量，m是每个层相同的外部因素（b当前未使用）。

我希望自动化创建图的过程，而不是复制/粘贴每一层。那么，有没有一个函数可以将第一层的结构复制到所有后续层？

在tensorflow中，应该看起来像这样：

graph = tf.Graph()with graph.as_default():    # 输入数据。    tf_input = tf.placeholder(tf.float32, shape=(n_data, n))    tf_spatial_grid = tf.constant(m_index_mat)    tf_ph_unit = tf.const(m_unit_mat)    tf_output = tf.placeholder(tf.float32, shape=(n_data, n))    # 新隐藏层 1        hidden_weights = tf.Variable( tf.truncated_normal([n*n, 1]) )    hidden_layer = tf.nn.matmul( tf.matmul( tf_input, hidden_weights), tf_ph_unit)    # 新隐藏层 2    hidden_weights_2 = tf.Variable( tf.truncated_normal([n*n, 1]) )    hidden_layer_2 = tf.nn.matmul( tf.matmul( hidden_layer, hidden_weights_2), tf_ph_unit)

……

    # 新隐藏层 n    hidden_weights_n = tf.Variable( tf.truncated_normal([n*n, 1]) )    hidden_layer_n = tf.nn.matmul( tf.matmul( hidden_layer_m, hidden_weights_n), tf_ph_unit)

…

那么，有没有办法自动化这个过程？也许我错过了什么

我非常感激任何帮助！

回答：

实现这个最简单的方法是创建一个构建层的函数，并简单地多次调用该函数，可能在一个循环中。

例如：

def layer(input):    hidden_weights = tf.Variable( tf.truncated_normal([n*n, 1]) )    hidden_layer = tf.nn.matmul( tf.matmul( input, hidden_weights), tf_ph_unit)    return hidden_layer

然后：

input = tf_inputfor i in range(10):    input = layer(input)