我创建变量的方式如下：

x = tf.placeholder(tf.float32, shape=[None, D], name='x-input') # M x D# Variables Layer1#std = 1.5*np.pistd = 0.1W1 = tf.Variable( tf.truncated_normal([D,D1], mean=0.0, stddev=std, name='W1') ) # (D x D1)S1 = tf.Variable(tf.constant(100.0, shape=[1], name='S1')) # (1 x 1)C1 = tf.Variable( tf.truncated_normal([D1,1], mean=0.0, stddev=0.1, name='C1') ) # (D1 x 1)

但不知为何，TensorFlow在我的可视化中添加了额外的变量块：

为什么会这样？如何阻止这种情况的发生？

回答：

你在TensorFlow中错误地使用了名称

W1 = tf.Variable( tf.truncated_normal([D,D1], mean=0.0, stddev=std, name='W1') )                  \----------------------------------------------------------/                                           initializer      \-------------------------------------------------------------------------/                                 actual variable

因此，你的代码创建了未命名的变量，并为初始化操作命名为W1。这就是为什么你在图中看到的名为W1的并不是你的W1变量，而是重命名的初始化操作，而你的W1变量被称为Variable（这是TensorFlow为未命名操作分配的默认名称）。正确的做法应该是

W1 = tf.Variable( tf.truncated_normal([D,D1], mean=0.0, stddev=std), name='W1' )

这样会为实际的变量创建一个名为W1的节点，并且会附带一个小的初始化节点（用于为其设定随机值）。