A variável model_definition/batch_normalization_5/gamma #não existe ou não foi criada com

**Descrição do problema:** Duas camadas BN são adicionadas a uma sub-rotina, mas apenas uma variável do tipo bool é atribuída ao parâmetro de treinamento, mas os resultados após BN não são nomeados separadamente, causando um erro.
Mensagem de erro:
A variável model_definition/batch_normalization_5/gamma #não existe ou não foi criada com tf.get_variable(). Você quis dizer #set reuse=tf.AUTO_REUSE no VarScope?
Programa:

def LA_conv_net(input_imgs, part, istraining):
        #part是字符串，istraining是bool类型
        input_dim = input_imgs.get_shape()[1].value
        
        #第1层卷积,BN,Relu,[3,3,128]
        with tf.compat.v1.variable_scope(part+'_conv1') as scope:
            conv1_w = truncated_normal_var(name=part+'_conv1_w',shape=[input_dim,3,3,1,128],
                                   dtype=tf.float32, stddev=init_kaiming(input_imgs))
            conv1_b = zeros_var(name=part+'_conv1_b', shape=[128],
                                   dtype=tf.float32, b_value=0.0)
            conv1 = tf.nn.bias_add(conv3d(input_imgs, conv1_w), conv1_b)
            BN_conv1 = tf.layers.batch_normalization(conv1, training=istraining) #
            relu_conv1 = tf.nn.relu(BN_conv1) #output [,1,9,9,128]  

        #第2层卷积
        with tf.compat.v1.variable_scope(part+'_conv2') as scope:
                                                ...
                                            （其他程序）
                                                ...   
        conv_concat = tf.concat([relu_conv3,relu_conv4,relu_conv5],axis=4)
        #再次添加BN层
        conv_concat_bn = tf.layers.batch_normalization(conv_concat,   training=istraining)
                                         #**此处会报错**： 
                                                ...
                                            （其他程序）
                                                ...
        reshaped_output = tf.reshape(tf.squeeze(conv_concat_bn), [-1, num_flat])         
        return (reshaped_output)

Procedimentos de treinamento e validação

with tf.compat.v1.variable_scope('model_definition') as scope:
    #申明训练网络模型
      train_output = DR_CNN_models(train_img_batch, batch_size,   NUM_CLASS, istraining=True)
    #use same variables within scope
    scope.reuse_variables()
    test_output = DR_CNN_models(test_imgs, batch_size, NUM_CLASS, istraining=False

O programa não pode ser executado ao executar o programa de verificação e o erro é:

“Variable model_definition/batch_normalization_5/gamma does #not exist, or was not created with 
tf.get_variable(). Did you mean to #set reuse=tf.AUTO_REUSE in VarScope?”

Solução:
adicione um nome ao tensor

conv_concat_bn = tf.layers.batch_normalization(conv_concat, training=istraining, name=part+'_conv_concat_bn')

A sub-rotina LA_conv_ne é alterada para:

def LA_conv_net(input_imgs, part, istraining):
       #part是字符串，istraining是bool类型
       input_dim = input_imgs.get_shape()[1].value
       
       #第1层卷积,BN,Relu,[3,3,128]
       with tf.compat.v1.variable_scope(part+'_conv1') as scope:
           conv1_w = truncated_normal_var(name=part+'_conv1_w',shape=[input_dim,3,3,1,128],
                                  dtype=tf.float32, stddev=init_kaiming(input_imgs))
           conv1_b = zeros_var(name=part+'_conv1_b', shape=[128],
                                  dtype=tf.float32, b_value=0.0)
           conv1 = tf.nn.bias_add(conv3d(input_imgs, conv1_w), conv1_b)
           BN_conv1 = tf.layers.batch_normalization(conv1, training=istraining) #
           relu_conv1 = tf.nn.relu(BN_conv1) #output [,1,9,9,128]  

       #第2层卷积
       with tf.compat.v1.variable_scope(part+'_conv2') as scope:
                                               ...
                                           （其他程序）
                                               ...   
       conv_concat = tf.concat([relu_conv3,relu_conv4,relu_conv5],axis=4)
       #再次添加BN层
       conv_concat_bn = tf.layers.batch_normalization(conv_concat, training=istraining, name=part+'_conv_concat_bn') #添加变量名
                                               ...
                                           （其他程序）
                                               ...
       reshaped_output = tf.reshape(tf.squeeze(conv_concat_bn), [-1, num_flat])         
       return (reshaped_output)