tensorflow入门笔记（三） tf.GraphKeys

tf.GraphKeys类存放了图集用到的标准名称。

该标准库使用各种已知的名称收集和检索图中相关的值。例如，tf.Optimizer子类在没有明确指定待优化变量的情况下默认优化被收集到tf.GraphKeys.TRAINABLE_VARIABLES中的变量；但如果通过列表的形式明确地指定了需要优化的变量，那优化器就会优化指定的变量。

Graph中定义了下列standard keys:

• GLOBAL_VARIABLES: 变量对象的默认集合，在分布式环境中被共享。通常，所有的TRAINABLE_VARIABLES变量会在MODEL_VARIABLES中，而所有的MODEL_VARIABLES又会在GLOBAL_VARIABLES中。即TRAINABLE_VARIABLES是MODEL_VARIABLES的子集，MOEDL_VARIABLES是GLOBAL_VARIABLES的子集。所以，MODEL_VARIABLES集合中有部分变量不需要训练。
• LOCAL_VARIABLES: 变量对象的子集，对每台机器来说都是本地的。该类型变量通常用作临时变量（temporarily variables）,比如counters。可以使用tf.contrib.framework.local_variable将变量添加到LOCAL_VARIABLES集合中。
• MODEL_VARIABLES: 变量对象的子集，在模型中被用作接口。可以使用tf.contrib.framework.model_variable将变量添加到该集合。
• TRAINABLE_VARIABLES: 变量对象的子集，会被图中的优化器训练。
• SUMMARIES: 图中创建的summary Tensor对象。
• QUEUE_RUNNERS: 用来为计算产生输入的QueueRunners对象的集合。
• MOVING_AVERAGE_VARIABLES: 变量对象的子集，保持滑动平均。
• REGULARIZATION_LOSSES: 图构造过程中的正则化损失。

下列standrad keys虽然被定义，但是不像其它standard keys那样可以被自动填充：

• WEIGHTS
• BIASES
• ACTIVATIONS

有如下Class Members:

• ACTIVATIONS
• ASSET_FILEPATHS
• BIASES
• CONCATENATED_VARIABLES
• COND_CONTEXT
• EVAL_STEP
• GLOBAL_STEP
• GLOBAL_VARIABLES
• INIT_OP
• LOCAL_INIT_OP
• LOCAL_RESOURCES
• LOCAL_VARIABLES
• LOSSES
• METRIC_VARIABLES
• MODEL_VARIABLES
• MOVING_AVERAGE_VARIABLES
• QUEUE_RUNNERS
• READY_FOR_LOCAL_INIT_OP
• READY_OP
• REGULARIZATION_LOSSES
• RESOURCES
• SAVEABLE_OBJECTS
• SAVERS
• SUMMARIES
• SUMMARY_OP
• TABLE_INITIALIZERS
• TRAINABLE_RESOURCES_VARIABLES
• TRAINABLE_VARIABLES
• TRAIN_OP
• UPDATE_OPS
• VARIABLES
• WEIGHTS
• WHILE_CONTEXT

部分相关函数：

• tf.Graph.add_to_collection(name, value)       # 将value放入name命名的collection中
• tf.Graph.add_to_collections(names,value)     # 将value放入names命名的多个collections中
• tf.add_to_collection(name,value)                  # tf.Graph.add_to_collection(name, value)的包装器wrapper

• tf.Graph.get_collection(name, scope=None)   # 返回名为name的collection中values构成的列表。如果collection中不存在value，会返回一个empty list

# 已知collection存在

• tf.Graph.get_collection_ref(name)                 # 返回名为name的collection中values构成的列表。如果collection中不存在，会创建一个empty

# collection，并返回一个empty list  （collection是否存在未知）

• tf.get_collection(key, scope=None)                # tf.Graph.get_collection()的包装器
• tf.get_collection_ref(key)                              # tf.Graph.get_collection_ref()的包装器