TF.VARIABLE、TF.GET_VARIABLE、TF.VARIABLE_SCOPE以及TF.NAME_SCOPE关系
1. tf.Variable与tf.get_variable
tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递。
TensorFlow中通过变量名获取变量的机制主要是通过tf.get_variable和tf.variable_scope实现的。
当然，变量也可以通过tf.Varivale来创建。当tf.get_variable用于变量创建时，和tf.Variable的功能基本等价。
| 1 2 3 | #以下两个定义是等价的 v = tf.get_variable( 'v' , shape = [ 1 ], initializer = tf.constant_initializer( 1.0 )) v = tf.Variable(tf.constant( 1.0 , shape = [ 1 ], name = 'v' ) |
tf.get_varialbe和tf.Variable最大的区别在于：tf.Variable的变量名是一个可选项，通过name=’v’的形式给出。但是tf.get_variable必须指定变量名。
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。2. tf.get_variable与tf.variable_scope
上面已经提到过了：TensorFlow中通过变量名获取变量的机制主要是通过tf.get_variable和tf.variable_scope实现的。在这里，我主要解释下大家深恶痛绝的reuse问题。
其实只要记住一件事情就ok了：当reuse为False或者None时（这也是默认值），同一个tf.variable_scope下面的变量名不能相同；当reuse为True时，tf.variable_scope只能获取已经创建过的变量。
下面我们通过代码来看下：
| 1 2 3 4 5 6 | #reuse=False时会报错的情况： with tf.variable_scope( 'foo' ): v = tf.get_variable( 'v' ,[ 1 ],initializer = tf.constant_initializer( 1.0 )) with tf.variable_scope( 'foo' ): v1 = tf.get_variable( 'v' ,[ 1 ]) |
在这种情况下会报错：Variable foo/v already exists, disallowed.Did you mean to set reuse=True in Varscope?
其原因就是在命名空间foo中创建了相同的变量。如果我要在foo下创建一个变量v1，其name=‘v’，只需要将reuse设置为Ture就ok了。将上面第二部分代码修改为：
| 1 2 3 | with tf.variable_scope( 'foo' , reuse = True ): v1 = tf.get_variable( 'v' ,[ 1 ]) print (v1.name) #结果为foo/v |
当reuse已经设置为True时，tf.variable_scope只能获取已经创建过的变量。这个时候，在命名空间bar中创建name=‘v’的变量v3，将会报错：Variable bar/v dose not exists, diallowed. Did you mean to set reuse=None in VarScope?
| 1 2 | with tf.variable_scope( 'bar' , reuse = True ): v3 = tf.get_variable( 'v' ,[ 1 ]) |
简而言之，reuse=False时，tf.variable_scope创建变量；reuse=True时，tf.variable_scope获取变量。
3. tf.variable_scope与tf.name_scope
除了tf.variable_scope，tf.name_scope函数也提供了命名空间管理的功能。这两个函数在大部分情况下是等价的，唯一的区别是在使用tf.get_variable函数时。
tf.get_variable函数不受tf.name_scope的影响。
我们从代码看下这句话的具体意思。
首先是tf.variable_scope：
| 1 2 3 | with tf.variable_scope( 'foo' ): a = tf.get_variable( 'bar' ,[ 1 ]) print (a.name) #结果为foo/bar:0 |
再看tf.name_scope：
| 1 2 3 4 5 6 | with tf.name_scope( 'a' ): a = tf.Variable([ 1 ]) print (a.name) #结果为a/Variable:0 b = tf.get_variable( 'b' ,[ 1 ]) print (b.name) #结果为b:0 |
从这个结果中，我们能很清晰地看到，tf.get_variable创建的变量并不是a/b:0，而是b:0。这就表示了在tf.name_scope函数下，tf.get_variable不受其约束。
