在TensorFlow中，是否有一种简单的方法来获取Graph对象，并将其placeholder的所有（或部分）转换为variable，将其所有（或某些）variable和Tensor转换为constant（或placeholder s） ？
换句话说，我想采用（训练的）神经网络，保留其计算图结构，但要优化占位符，同时保持权重不变 .
编辑
举个例子，给出了here的简单神经网络：
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y, y_))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
我想将其转换为：
x = tf.Variable(tf.float32, [None, 784])
W = tf.constant([values of trained weights],shape=[784, 10])
b = tf.constant(,shape=[10])
y = tf.matmul(x, W) + b
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(y, y_))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
其中 [values of trained weights] 是训练原始网络后 W 和 b 的值 . 我感兴趣是否存在一种简单的自动方式来执行这种转换 . （注意：我没有运行上面的例子，所以它可能包含错误）
1 回答
我认为答案是"No, there is not an easy way" . 即使你的简单例子也有点复杂 . 你有占位符变量，变量变量常量，占位符占位符 . 一些自动方法如何知道何时转换为只有部分时间转换占位符的内容？听起来你必须自己实现一些东西 . 首先，您至少可以使用
tf.trainable_variables()获取变量列表 .x.assign()返回一个可用于为变量赋值的操作 . 也许那些会以某种方式帮助实现更自动化的解决方案 .至于一般的想法“我有一个课程，可能的输入是什么” - 您可能想要查看概率编程 . 这听起来非常接近你的目标 . 对于那些，你有一堆数据/标签，你编写一个生成标签的模型 . 该语言为您的模型构建了一个采样器，您可以询问有关模型的不同部分的问题，类似于您的问题：“我有类，输入必须是什么？”
这里's an intro if you'很感兴趣：https://probmods.org/ . 听起来像https://github.com/blei-lab/edward也可能在这个领域 .