我正在尝试从一篇论文中提到的方法[1]，该方法要求全连接层的所有神经元共享一个共同的偏置项，而不是每个神经元都有各自的偏置。

如何在Tensorflow中实现这一点呢？

是否可以创建一个没有偏置的全连接层，最后再添加tf.nn.bias_add()？这是正确的做法吗？
如果是的话，tf.nn.bias_add()没有设置为trainable的标志。这样做会有效吗？

或者有其他建议吗？

参考文献：

[1]: 使用双重Q学习的深度强化学习（页面6右侧）

回答：

tf.nn.bias_add(value, bias)要求一个大小与value的最后一个维度匹配的一维张量，所以只需使用tf.add即可：

X = tf.placeholder(tf.float32, [None, 32])W = tf.Variable(tf.truncated_normal([32, 16]))#所有16个输出共享一个偏置bias = tf.Variable(tf.truncated_normal([1]))#按预期工作y =  tf.add(tf.matmul(X,W), bias)#ValueError: 维度必须相等，但实际是16和1，针对'BiasAdd'z =  tf.nn.bias_add(tf.matmul(X,W), bias)