TF.VARIABLE、TF.GET_VARIABLE、TF.VARIABLE_SCOPE以及TF.NAME_SCOPE關係

1. tf.Variable與tf.get_variable

tensorflow提供了經過變量名稱來建立或者獲取一個變量的機制。經過這個機制，在不一樣的函數中能夠直接經過變量的名字來使用變量，而不須要將變量經過參數的形式處處傳遞。 
TensorFlow中經過變量名獲取變量的機制主要是經過tf.get_variable和tf.variable_scope實現的。 
固然，變量也能夠經過tf.Varivale來建立。當tf.get_variable用於變量建立時，和tf.Variable的功能基本等價。

1 2 3

#如下兩個定義是等價的 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最大的區別在於：tf.Variable的變量名是一個可選項，經過name=’v’的形式給出。可是tf.get_variable必須指定變量名。

2. tf.get_variable與tf.variable_scope

上面已經提到過了：TensorFlow中經過變量名獲取變量的機制主要是經過tf.get_variable和tf.variable_scope實現的。在這裏，我主要解釋下你們深惡痛絕的reuse問題。 
其實只要記住一件事情就ok了：當reuse爲False或者None時（這也是默認值），同一個tf.variable_scope下面的變量名不能相同；當reuse爲True時，tf.variable_scope只能獲取已經建立過的變量。 
下面咱們經過代碼來看下：

1 2 3 4 5 6

#reuse=False時會報錯的狀況： 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 ])

在這種狀況下會報錯：Variable foo/v already exists, disallowed.Did you mean to set reuse=True in Varscope? 
其緣由就是在命名空間foo中建立了相同的變量。若是我要在foo下建立一個變量v1，其name=‘v’，只須要將reuse設置爲Ture就ok了。將上面第二部分代碼修改成：

1 2 3

with tf.variable_scope( 'foo' , reuse = True ):      v1  =  tf.get_variable( 'v' ,[ 1 ])      print (v1.name)       #結果爲foo/v

當reuse已經設置爲True時，tf.variable_scope只能獲取已經建立過的變量。這個時候，在命名空間bar中建立name=‘v’的變量v3，將會報錯：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 ])

簡而言之，reuse=False時，tf.variable_scope建立變量；reuse=True時，tf.variable_scope獲取變量。

3. tf.variable_scope與tf.name_scope

除了tf.variable_scope，tf.name_scope函數也提供了命名空間管理的功能。這兩個函數在大部分狀況下是等價的，惟一的區別是在使用tf.get_variable函數時。 
tf.get_variable函數不受tf.name_scope的影響。 
咱們從代碼看下這句話的具體意思。 
首先是tf.variable_scope：

1 2 3

with tf.variable_scope( 'foo' ):      a  =  tf.get_variable( 'bar' ,[ 1 ])      print (a.name) #結果爲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) #結果爲a/Variable:0        b = tf.get_variable( 'b' ,[ 1 ])      print (b.name) #結果爲b:0

　　

 

從這個結果中，咱們能很清晰地看到，tf.get_variable建立的變量並非a/b:0，而是b:0。這就表示了在tf.name_scope函數下，tf.get_variable不受其約束。