在Tensorflow中，是否有一种简单的方法来取一个Graph对象，然后将其所有（或某些）placeholder s的全部（或某些）转换为variable s，以及其variable S的所有（或某些）和Tensor s到constant S（或placeholder s）？
换句话说，我想采用（训练有素的）神经网络，保留其计算图结构，但要优化占位符，同时保持重量不变。
编辑
作为一个例子，从这里给定简单的神经网络：
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)
训练原始网络后， [values of trained weights]是W和b的值。我感兴趣是否存在一种简单的自动方法来执行这种转换。（注意：我还没有运行上述示例，因此可能包含错误）
我认为答案是"不，没有简单的方法"。即使您的简单例子也很复杂。您有占位符，可变的变量，恒定变量，并且占位持有人到占位持有人。某些自动方法如何知道何时只有占位符仅转换了一部分时间？听起来您必须自己实施一些东西。首先，您至少可以使用tf.trainable_variables()获取变量列表。x.assign()返回您可以用来将值分配给变量的OP。也许这些将有助于以某种方式朝着更自动的解决方案。
至于"我有课程，可能输入的可能性"的想法 - 您可能想检查概率编程。这听起来很接近您的目标。对于这些，您有很多数据/标签，并且编写了生成标签的模型。该语言为您的模型构造了一个采样器，您可以向您的问题提出有关模型不同部分的问题："我有课程，输入必须是什么？"
如果您有兴趣，这是一个介绍：https：//probmods.org/。听起来像https://github.com/blei-lab/edward也可能在此区域。