tf.GraphKeys

用于图形集合的标准名称。标准库使用各种众所周知的名称来收集和检索与图关联的值。比如tf.Optimizer子类默认优化tf.GraphKeys下收集的变量。如果没有指定TRAINABLE_VARIABLES，也可以传递一个显式的变量列表。

定义了以下标准键:

GLOBAL_VARIABLES:默认的变量对象集合，在分布式环境中共享(模型变量是这些对象的子集)。有关详细信息，请参见tf.compat.v1.global_variables。通常，所有的TRAINABLE_VARIABLES变量都在MODEL_VARIABLES中，而所有MODEL_VARIABLES变量都在GLOBAL_VARIABLES中。

LOCAL_VARIABLES:每台机器的局部变量对象的子集。通常用于临时变量，如计数器。注意:使用tf.contrib.framework.local_variable添加到这个集合。

MODEL_VARIABLES:模型中用于推理(前馈)的变量对象的子集。注意:使用tf.contrib.framework.model_variable添加到这个集合。

TRAINABLE_VARIABLES:优化器将训练的变量对象的子集。更多细节请参见tf.compat.v1.trainable_variables。

摘要:已在图中创建的摘要张量对象。有关更多细节，请参见tf.compat.v1.summary.merge_all。

queue_runner: QueueRunner对象，用于为计算生成输入。有关详细信息，请参见tf.compat.v1.train.start_queue_runners。

MOVING_AVERAGE_VARIABLES:也将保持移动平均线的变量对象的子集。有关详细信息，请参见tf.compat.v1.moving_average_variables。

regularization_loss:在构建图期间收集的正则化损失。

定义了以下标准键，但它们的集合不像其他键那样自动填充:

• WEIGHTS
• BIASES
• ACTIVATIONS

类成员：

• ACTIVATIONS = 'activations'
• ASSET_FILEPATHS = 'asset_filepaths'
• BIASES = 'biases'
• CONCATENATED_VARIABLES = 'concatenated_variables'
• COND_CONTEXT = 'cond_context'
• EVAL_STEP = 'eval_step'
• GLOBAL_STEP = 'global_step'
• GLOBAL_VARIABLES = 'variables'
• INIT_OP = 'init_op'
• LOCAL_INIT_OP = 'local_init_op'
• LOCAL_RESOURCES = 'local_resources'
• LOCAL_VARIABLES = 'local_variables'
• LOSSES = 'losses'
• METRIC_VARIABLES = 'metric_variables'
• MODEL_VARIABLES = 'model_variables'
• MOVING_AVERAGE_VARIABLES = 'moving_average_variables'
• QUEUE_RUNNERS = 'queue_runners'
• READY_FOR_LOCAL_INIT_OP = 'ready_for_local_init_op'
• READY_OP = 'ready_op'
• REGULARIZATION_LOSSES = 'regularization_losses'
• RESOURCES = 'resources'
• SAVEABLE_OBJECTS = 'saveable_objects'
• SAVERS = 'savers'
• SUMMARIES = 'summaries'
• SUMMARY_OP = 'summary_op'
• TABLE_INITIALIZERS = 'table_initializer'
• TRAINABLE_RESOURCE_VARIABLES = 'trainable_resource_variables'
• TRAINABLE_VARIABLES = 'trainable_variables'
• TRAIN_OP = 'train_op'
• UPDATE_OPS = 'update_ops'这是一个tensorflow的计算图中内置的一个集合，其中会保存一些需要在训练操作之前完成的操作，并配合tf.control_dependencies函数使用。
• VARIABLES = 'variables'
• WEIGHTS = 'weights'
• WHILE_CONTEXT = 'while_context'