【TensorFlow】TensorFlow函数精讲之tf.get_variable()和tf.get_variable_scope()

目录

1、tf.get_variable()

2、tf.variable_scope()

3、tf.variable_scope() 函数嵌套

---

1、tf.get_variable()

tf.get_variable()用来创建变量时，和tf.Variable()函数的功能基本等价。

v = tf.get_variable("v", shape=[1], initializer=tf.ones_initializer(1.0))
v = tf.Variable(tf.constant(1.0, shape=[1]), name="v")

tf.get_variable函数调用时提供的维度（shape）信息以及初始化方法（initializer）的参数和tf.Variable函数调用时提供的初始化过程中的参数类似。

tf.get_variable函数与tf.Variable函数最大的区别在于指定变量名称的参数。对于tf.Variable函数，函数名称是一个可选的参数，通过name=“v”的形式给出。但是对于tf.get_variable函数，变量名称是一个必填的参数。

tf.get_variable只能创建新的参数，如果创建的参数已经存在，则会报错。如果想要通过tf.get_variable函数获取一个已经创建的变量，需要通过tf.variable_scope函数来生成一个上下文管理器，并明确指定在这个上下文管理器中，tf.get_variable将直接获取已经生成的变量。

---

2、tf.variable_scope()

tf.variable_scope可以控制tf.get_variable函数的语义。

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import tensorflow as tf

# 在名字为foo的命名空间内创建名字为v的变量
with tf.variable_scope("foo"):
    v = tf.get_variable('v', [1], initializer=tf.constant_initializer(1.0))

# 因为在命名空间foo已经存在名为v的变量，所以以下代码将会报错：
# Variable foo/v already exists， disallowed. Did you mean tu set reuse=True in Varscope?
with tf.variable_scope("foo"):
    v = tf.get_variable('v', [1])

# 在生成上下文管理器时，将参数reuse设置为True。这样tf.get_variable函数将直接获取已经声明的变量
with tf.variable_scope("foo", reuse=True):
    v1 = tf.get_variable('v', [1], initializer=tf.constant_initializer(1.0))
    print(v == v1)     # 输出为True，代表v，v1代表的是相同的TensorFlow中变量

#  将参数reuse设置为True时，tf.variable_scope将只能获取已经创建过的变量。因为在命名空间bar中还没有v变量，
# 所以以下代码会报错：
# Variable bar/v dose not exist, disallowed. Did you mean tu set reuse=None in Varscope?
with tf.variable_scope("bar", reuse=True):
    v = tf.get_variable('v', [1])

上边例子说明当tf.variable_scope函数使用参数reuse=True生成上下文管理器时，这个上下文管理器内所有的tf.get_variable函数会直接获取已经创建的变量。如果变量不存在，则tf.get_variable函数将会报错；

相反，如果tf.variable_scope函数使用参数reuse=None或reuse=False创建上下文管理器，tf.get_variable操作将创建新的变量。如果同名的变量已经存在，则会报错。

---

3、tf.variable_scope() 函数嵌套

TensorFlow中tf.variable_scope函数是可以嵌套的，下边的程序来说明当tf.variable_scope函数嵌套时，reuse参数的取值是如何确定的。

import tensorflow as tf

with tf.variable_scope("root"):
    # 可以通过tf.get_variable_scope().reuse函数来获取当前上下文管理器中reuse参数的取值
    print(tf.get_variable_scope().reuse)  # 输出False，即最外层reuse是False

    with tf.variable_scope("foo", reuse=True):  #新建一个嵌套的上下文管理器，并指定reuse为True
        print(tf.get_variable_scope().reuse)  # 输出True

        with tf.variable_scope("bar"):   # 新建一个嵌套的上下文管理器，不指定reuse，这时reuse的取值与外面一层保持一致
            print(tf.get_variable_scope().reuse)  # 输出True

    print(tf.get_variable_scope().reuse)  # 输出False。5退出reuse设置为True的上下文管理器之后，reuse的值又回到了False