理解 tf.Variable、tf.get_variable以及范围命名方法tf.variable_scope、tf.name_scope

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。

1. tf.Variable(创建变量）与tf.get_variable（创建变量 或 复用变量）

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。

变量可以通过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。

#以下两个定义是等价的
v = tf.get_variable(name='v', shape=[1], initializer=tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(name='v',shape=[1],value=1.0))

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。

import tensorflow as tf

with tf.name_scope("a_name_scope"):
    initializer = tf.constant_initializer(value=1)
    var11 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32, initializer=initializer)
    var21 = tf.Variable(name='var21', initial_value=[2], dtype=tf.float32)
    var22 = tf.Variable(name='var2', initial_value=[2.1], dtype=tf.float32)
    var23 = tf.Variable(name='var2', initial_value=[2.2], dtype=tf.float32)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(var11.name)        # var1:0
    print(sess.run(var11))   # [ 1.]
    print(var21.name)        # a_name_scope/var21:0
    print(sess.run(var21))   # [ 2.]
    print(var22.name)       # a_name_scope/var2_1:0
    print(sess.run(var22))  # [ 2.1]
    print(var23.name)       # a_name_scope/var2_2:0
    print(sess.run(var23))  # [ 2.2]

使用tf.Variable()定义的时候，虽然name都一样（name = 'var2'），但是为了不重复变量名，Tensorflow输出的变量名并不是一样的,如var22.name与var23.name的打印

# a_name_scope/var2_1:0 与 # a_name_scope/var2_2:0    自动添加了_1与_2

本质上var21，var22，var23并不是一样的变量。

而另一方面，使用tf.get_variable()定义的变量不受tf.name_scope()当中的名字所影响。

如果想要达到重复利用变量的效果，就要使用tf.variable_scope()，并搭配tf.get_variable()这种方式产生和提取变量。

不像tf.Variable()每次都会产生新的变量，tf.get_variable()如果遇到了同样名字的变量时，它会单纯的提取这个同样名字的变量（避免产生新变量）。

而在重复使用的时候，一定要在代码中强调scope.reuse_variables()，否则系统将会报错，以为你只是单纯的不小心重复使用到了一个变量。

with tf.variable_scope("a_variable_scope") as scope:
    initializer = tf.constant_initializer(value=3)
    var3 = tf.get_variable(name='var3', shape=[1], dtype=tf.float32, initializer=initializer) #创建变量
    scope.reuse_variables() #申明重复使用，一定要有
    var3_reuse = tf.get_variable(name='var3',) #提取变量复用
    var4 = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)
    var4_reuse = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(var3.name)            # a_variable_scope/var3:0
    print(sess.run(var3))       # [ 3.]
    print(var3_reuse.name)      # a_variable_scope/var3:0
    print(sess.run(var3_reuse)) # [ 3.]
    print(var4.name)            # a_variable_scope/var4:0
    print(sess.run(var4))       # [ 4.]
    print(var4_reuse.name)      # a_variable_scope/var4_1:0
    print(sess.run(var4_reuse)) # [ 4.]

2. tf.get_variable与tf.variable_scope

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reuse为True时，tf.variable_scope只能获取已经创建过的变量。

#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：

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

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

从代码看下这句话的具体意思。 
首先是tf.variable_scope：

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：

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 不受tf.name_scope的影响

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。