在训练神经网络模型时，通常会对数据集进行多个epochs的训练。如果希望在每个epoch中使用相同的变量，可以将变量的定义和初始化放在循环之外。

以下是一个示例代码，演示了如何在每个epoch中使用相同的变量：

import tensorflow as tf
import numpy as np

# 定义模型参数
num_epochs = 5
batch_size = 32
learning_rate = 0.001

# 定义输入数据
x_train = np.random.randn(100, 10)
y_train = np.random.randint(0, 2, size=(100,))

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 定义损失函数和优化器
loss_fn = tf.keras.losses.BinaryCrossentropy()
optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate)

# 定义训练循环
for epoch in range(num_epochs):
    # 初始化变量
    loss_sum = 0
    num_batches = 0
    
    # 打乱数据集
    indices = np.random.permutation(len(x_train))
    x_train_shuffled = x_train[indices]
    y_train_shuffled = y_train[indices]
    
    # 迭代每个batch
    for i in range(0, len(x_train), batch_size):
        # 获取当前batch的数据
        x_batch = x_train_shuffled[i:i+batch_size]
        y_batch = y_train_shuffled[i:i+batch_size]
        
        # 前向传播
        with tf.GradientTape() as tape:
            logits = model(x_batch, training=True)
            loss_value = loss_fn(y_batch, logits)
        
        # 计算梯度并更新模型参数
        grads = tape.gradient(loss_value, model.trainable_variables)
        optimizer.apply_gradients(zip(grads, model.trainable_variables))
        
        # 累加损失值
        loss_sum += loss_value
        num_batches += 1
    
    # 打印每个epoch的平均损失值
    average_loss = loss_sum / num_batches
    print("Epoch {}: loss = {}".format(epoch+1, average_loss))

在上述代码中，我们将变量loss_sum和num_batches定义和初始化放在了epoch循环之外。这样，在每个epoch开始时，这两个变量都会被重置为0，从而保证了每个epoch中使用相同的变量。