我的使用场景是这样的：我有一个函数，它接受用户选择的内核，然后我会遍历数据集中每一个日期，并使用高斯过程回归来估计使用指定内核的模型。然而，由于我指向的是内核对象，我需要在运行下一次迭代之前将其重置为默认值。

import gpflowclass WrapperClass(object):    def __init__(self, kernel):        super().__init__()        self.kernel = kernel    def fit(self, X, y):        m = gpflow.models.GPR(X, y, self.kernel) # 我需要在这里重置内核# 后续代码def some_function(Xs, ys, ts, f):    for t in ts:        X = Xs.loc[t]    # pandas dataframe        y = ys.loc[t]    # pandas        f.fit(X, y)k1 = gpflow.kernels.RBF(1)k2 = gpflow.kernels.White(0.1)k = k1 + k2f = WrapperClass(k)sume_function(Xs, ys, ts, f)

我找到了内核上的read_trainables()方法，因此一种策略是保存用户提供的设置，但似乎没有办法设置它们？

In [7]: k1.read_trainables()Out[7]: {'Sum/rbf/lengthscales': array(1.), 'Sum/rbf/variance': array(1.)}

谢谢，Steve

回答：

您可以使用assign()方法来设置参数化对象（模型、内核、可能性等）的参数：k1.assign(k1.read_trainables())（或者其他路径-值对的字典）。不过，您也可以创建一个新的内核对象！

请注意，每次您创建新的参数化对象时 – 这适用于内核和模型，如您的fit()方法中 – 您会在tensorflow图中添加操作，如果图增长很多，可能会显著减慢图计算速度。您可能需要手动处理tf.Graph()和tf.Session()，以便为每个模型保持它们独立。（请参阅新版GPflow文档中的关于会话处理和更多技巧与窍门的笔记本。）