用tf.layers更新

如果使用tf.layers模块来构建网络，则可以在暹罗网络的第二部分中简单地使用参数tf.layers reuse=True ：

x = tf.ones((1, 3))
y1 = tf.layers.dense(x, 4, name='h1')
y2 = tf.layers.dense(x, 4, name='h1', reuse=True)

# y1 and y2 will evaluate to the same values
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(y1))
print(sess.run(y2))  # both prints will return the same values

tf.get_variable旧答案

您可以尝试使用功能tf.get_variable() 。 （请参阅教程 ）

使用具有reuse=False的变量范围实现第一个网络：

with tf.variable_scope('Inference', reuse=False):
    weights_1 = tf.get_variable('weights', shape=[1, 1],
                              initializer=...)
    output_1 = weights_1 * input_1

然后使用相同的代码实现第二个，除了使用reuse=True

with tf.variable_scope('Inference', reuse=True):
    weights_2 = tf.get_variable('weights')
    output_2 = weights_2 * input_2

第一个实现将创建并初始化LSTM的每个变量，而第二个实现将使用tf.get_variable()来获取在第一个网络中使用的相同变量。这样，变量将被共享 。

然后，你只需要使用你想要的任何损失（例如，你可以使用这两个连体网络之间的L2的距离），以及梯度将通过两个网络backpropagate，更新共享变量与梯度之和 。