对tf collection的理解

把tf变量加到某一个集合中

方法一：系统默认

w1=tf.get_variable('w1',[3,5])

w1=tf.variable([[3,5]])

用以上任何一个语句创建变量时，系统会默认将其添加到表示“全局变量(tf.global_variables)”和“可训练变量（tf.trainable_variables)”的集合中。

variables = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)

variables = tf.get_collection(tf.GraphKeys.VARIABLES)

variables = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)

以上三个语句，都可以得到变量w1的信息

方法二：添加scope

with tf.variable_scope('fc_network'):
    w=tf.get_variable('w',[3,5])
    b=tf.get_variable('b',[1])

variables = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES,scope='fc_network')
for i in variables:
  print(i)

<tf.Variable 'fc_network/w:0' shape=(3, 5) dtype=float32_ref>

<tf.Variable 'fc_network/b:0' shape=(1,) dtype=float32_ref>

这时的集合只包含了scope='fc_network'的全局变量

方法三：添加key

cnames=['fc', tf.GraphKeys.GLOBAL_VARIABLES]

layer1=slim.fully_connected(x, n_l1, variables_collections=cnames)

b3=tf.get_variable('b3',[3,5],collections=cnames)

v=tf.get_collection('fc')#就可以得到slim.fully_connected默认生成的变量w,b以及b3变量

要注意的是collections必须是列表或者元组的形式，不能是字符串‘fc’，而且cnames里的tf.GraphKeys.GLOBAL_VARIABLES不能省略，否则对应变量不会被放在全局变量那个大集合里

方法四：直接使用tf.add_to_collection

tf.add_to_collection(name, value)  用来把一个value放入名称是‘name’的集合

例如：

v1 = tf.get_variable(name='v1', shape=[1], initializer=tf.constant_initializer(1))

tf.add_to_collection('output', v1)

collection一个很好的应用：

在强化学习DQN中，有一个用来评估的网络q_eval和一个固定不变，用来计算target(为q_eval提供训练的label)的网络q_target，它们两个的网络结构一样，但参数不同。q_eval是不断被训练的，而q_target没有训练过程，它只是过一定时间，就将q_eval的参数复制过来，用于更新。所以需要把q_eval和q_target的变量集合分别提取出来，再赋值。具体代码如下：

t_params = tf.get_collection('target_net_params')
e_params = tf.get_collection('eval_net_params')
replace_target_op = [tf.assign(t, e) for t, e in zip(t_params, e_params)]

推荐博文：https://blog.csdn.net/shenxiaolu1984/article/details/52815641