tensorflow的變量命名空間問題

tf.get_variable 和tf.Variable不一樣的一點是，前者擁有一個變量檢查機制，會檢測已經存在的變量是否設置爲共享變量，若是已經存在的變量沒有設置爲共享變量，TensorFlow 運行到第二個擁有相同名字的變量的時候，就會報錯。後者會直接複製生成一個新變量。

import tensorflow as tf with tf.variable_scope('a_1'): a = tf.Variable(1, name='a') b = tf.Variable(1, name='a') print(a.name) # a_1/a:0
    print(b.name) # a_1/a_1:0 
 c = tf.get_variable('a', 1) print(c.name) # a_1/a_2:0
    d = tf.get_variable('a', 1) print(d.name) # ValueError: Variable a_1/a already exists, disallowed. 
                  #Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:

 

爲了解決上述問題，TensorFlow 又提出了 tf.variable_scope 函數：它的主要做用是，在一個做用域 scope 內共享一些變量，可使用reuse重用變量。

import tensorflow as tf with tf.variable_scope("a_1"): a = tf.get_variable("v", [1]) print(a.name) # a_1/v:0
 with tf.variable_scope("a_1", reuse = True): #注意reuse的做用。
    c = tf.get_variable("v", [1]) print(c.name) # a_1/v:0

print(a is c) # True, 兩個變量重用了，變量地址一致

 

對於tf.name_scope來講，tf.name_scope 只能管住tf.get_variable函數操做 Ops 的名字，而管不住變量 Variables 的名字，可是他能夠管住tf.Variable建立的變量，看下例：

import tensorflow as tf with tf.name_scope('a_1'): with tf.name_scope('a_2'): with tf.variable_scope('a_3'): d = tf.Variable(1, name='d') d_1 = tf.Variable(1, name='d') d_get = tf.get_variable('d', 1) x = 1.0 + d_get print(d.name)    #輸出a_1/a_2/a_3/d:0
            print(d_1.name) #輸出a_1/a_2/a_3/d_1:0
            print(d_get.name) #輸出a_3/d:0
            print(x.name) # 輸出a_1/a_2/a_3/add:0
 with tf.variable_scope('a_3'): e = tf.Variable(1, name='d') print(e.name)    #輸出a_1/a_2/a_3_1/d:0

 

 

參考：1.https://blog.csdn.net/legend_hua/article/details/78875625 

　　　2.https://www.cnblogs.com/Charles-Wan/p/6200446.html