这是一种在创建变量时,潜在地重写某些内容的方法。在处理某些特定的问题时非常方便。
从概念上讲,custom_getter类似于python修饰符:定义一个这样的函数,它可以获取原函数及其参数作为它的参数,但必须返回结果而不是经修饰后的函数。
在tf.variable_scope()中,你也可以指定custom_getter作为一个参数,这样你可以一次传入多个变量。
下面给出一个例子。
假设你有大量的代码来创建某种类型的网络。一天早上醒来,你想试试L2规范化所有变量是否有助于提高网络性能。不必重新改你所创建的网络层及其内部变量的代码,可以直接将整个网络封闭在一个scope并执行以下操作:
with tf.variable_scope( "L2", custom_getter =
lambda getter, name, shape, *args, **kwargs:
tf.nn.l2_normalize( getter( name = name, shape = shape, *args, **kwargs ) ) ):
# the original network here
这将自动地L2规范化网络中的所有变量。当然,如果你不想对所有的变量都这样做,你可以编写更多的代码来筛选变量。