tf.zeros() 是否返回 tf.get_variable()？

Question

试图理解 keras 优化器 (source code) 中的 SGD 优化代码。在get_updates 模块中，我们有：

# momentum
shapes = [K.int_shape(p) for p in params]
moments = [K.zeros(shape) for shape in shapes]
self.weights = [self.iterations] + moments
for p, g, m in zip(params, grads, moments):
    v = self.momentum * m - lr * g  # velocity
    self.updates.append(K.update(m, v))

在哪里K = keras.backend。现在，既然moments 被设置为一个零张量列表，而m 是这个列表的迭代，为什么m 不总是在v = self.momentum * m - lr * g 行中计算为零张量？

现在我查找了 tensorflow (source code) 的 keras.backend.zeros 的代码，keras.backend.zeros 返回 tf.zeros，这显然返回了一个恒定的零张量。 （编辑：如果指定了形状，则返回使用 tf.zeros 初始化的 tf.Variable。）

我的直觉是它会返回类似tf.get_variable() 的东西，初始化器为零，因此张量不会每次都被覆盖。相反，名称为 m 的张量会不断被 K.update() 更新。

那么tf.zeros() 的行为实际上与tf.get_variable() 的行为相似吗？初始化为零？我还有什么遗漏的吗？

编辑：所以即使指定了形状，上面链接的源代码似乎仍然返回一个新的张量变量，而不是重用现有的张量变量（即使用get_variable()），无论如何这似乎很困难因为没有指定名称。仍然对为什么返回现有变量而不是新的零张量变量感到困惑。

Answer 1

我认为您错过了正确的K.zeros 功能。这是 keras 2.1 (keras/backend/tensorflow_backend.py) 中的源代码：

def zeros(shape, dtype=None, name=None):
    """Instantiates an all-zeros variable and returns it.

    # Arguments
        shape: Tuple of integers, shape of returned Keras variable
        dtype: String, data type of returned Keras variable
        name: String, name of returned Keras variable

    # Returns
        A variable (including Keras metadata), filled with `0.0`.

    # Example
    ```python
        >>> from keras import backend as K
        >>> kvar = K.zeros((3,4))
        >>> K.eval(kvar)
        array([[ 0.,  0.,  0.,  0.],
               [ 0.,  0.,  0.,  0.],
               [ 0.,  0.,  0.,  0.]], dtype=float32)
    ```
    """
    if dtype is None:
        dtype = floatx()
    tf_dtype = tf.as_dtype(dtype)
    return variable(tf.constant_initializer(0., dtype=tf_dtype)(shape),
                    dtype, name)

如您所见，它实际上返回的是 用零初始化的变量，而不是常量零张量。 documentation 声明相同：

实例化一个全零变量并返回它。

---

编辑：后续问题的答案。

这实际上是一个很好的观察：你是对的，随后对Optimizer.get_updates(loss, params) 的调用将创建new 变量，将new 操作分配给self.updates 和新权重为self.weights。从某种意义上说，get_updates 方法是优化器构造函数的一部分。

但它是这样工作的：这个方法在每个模型实例中被准确地调用一次。它返回在循环中针对不同批次多次应用的更新操作列表，但操作本身保持不变。下面是Model类（keras/engine/training.py）的相关代码：

def _make_train_function(self):
    ...
    if self.train_function is None:
        ...
        with K.name_scope('training'):
            with K.name_scope(self.optimizer.__class__.__name__):
                training_updates = self.optimizer.get_updates(
                    params=self._collected_trainable_weights,
                    loss=self.total_loss)
            updates = self.updates + training_updates + self.metrics_updates
            # Gets loss and metrics. Updates weights at each call.
            self.train_function = K.function(inputs,
                                             [self.total_loss] + self.metrics_tensors,
                                             updates=updates,
                                             name='train_function',
                                             **self._function_kwargs)

self.optimizer.get_updates(...) 只被调用一次来构造train_function。

请随意检查其他优化器并检查它们是否都准备好权重并更新 get_updates() 方法内的操作。