我的权重定义如下：

weights = {        'W_conv1': tf.get_variable('W_conv1', shape=[...], dtype=tf.float32, initializer=tf.truncated_normal_initializer(stddev=0.01)),        'W_conv2': tf.get_variable('W_conv2', shape=[...], dtype=tf.float32, initializer=tf.truncated_normal_initializer(stddev=0.01)),        'W_conv3': tf.get_variable('W_conv3', shape=[...], dtype=tf.float32, initializer=tf.truncated_normal_initializer(stddev=0.01)),        ...}# conv2d network...

我想使用权重衰减，所以我添加了，例如，参数

regularizer=tf.contrib.layers.l1_regularizer(0.0005)

到tf.get_variable中。现在我在想，在评估阶段这样做是否仍然正确，或者我是否应该将正则化因子设置为0。

还有另一个参数trainable。文档中说如果为True，还会将变量添加到图集合GraphKeys.TRAINABLE_VARIABLES中。这让我不太明白。我应该使用它吗？

能有人解释一下权重衰减是否会以某种错误的方式影响评估步骤吗？如果是这种情况，我该如何解决？

回答：

权重衰减是在训练过程中反向传播的权重更新步骤中使用的。在评估过程中没有这样的权重更新，因此在评估期间它没有任何影响。至于trainable参数，我认为官方文档中的这一段话非常简洁

在构建机器学习模型时，区分保存可训练模型参数的变量和其他变量（如用于计数训练步骤的全局步长变量）通常很方便。为了简化这一过程，变量构造函数支持trainable=参数。如果为True，新变量也会被添加到图集合GraphKeys.TRAINABLE_VARIABLES中。便利函数trainable_variables()返回此集合的内容。各种Optimizer类使用此集合作为要优化的变量的默认列表。

所以你可以为了方便而添加它，但这不是强制性的。