tf.name_scope(), tf.variable_scope(), tf.Variable(), tf.get_variable()

这四个函数是互相联系的。下面翻译一下stackoverflow上的高票答案
what’s the difference of name scope and a variable scope in tensorflow?

翻译：
在讲name scope和variable scope之前，我们先简单介绍一下变量共享机制，这个机制使得tensorflow使得graph的其他部分也能调用之前定义过的变量。

tf.get_variable()方法可以用来创建新的变量或者用来检索之前已经定义过的变量。而tf.Variable是会一直创建新的变量，如果你命名重复，tf会自动给变量加一个后缀。

使用tf.variable_scope使得变量检索变得更简单。
简单来说
tf.name_scope()是给operator以及tf.Variable创建的variable创建namespace的
tf.variable_scope()是给variable和operator创建namespace的
也就是说，tf.get_variable()创建的变量是不受name_scope影响的
举个例子

with tf.name_scope("my_scope"):
    v1 = tf.get_variable("var1", [1], dtype=tf.float32)
    v2 = tf.Variable(1, name="var2", dtype=tf.float32)
    a = tf.add(v1, v2)

print(v1.name)  # var1:0 ,namescope被忽略了
print(v2.name)  # my_scope/var2:0
print(a.name)   # my_scope/Add:0

with tf.name_scope("foo"):
    with tf.variable_scope("var_scope"):
        v = tf.get_variable("var", [1])
with tf.name_scope("bar"):
    with tf.variable_scope("var_scope", reuse=True):
        v1 = tf.get_variable("var", [1])
print(v.name)   # var_scope/var:0
print(v1.name)  # var_scope/var:0

这使得我们可以在不同的name scope下共享变量.
这对大型网络在tensorboard中可视化非常有用，这个 教程 还可以