tf.Variable和tf.get_variable()异同

相同点：

• 都是创建Variable对象

• 创建后的variable如果collection参数是默认，都保存[tf.GraphKeys.GLOBAL_VARIABLES]
  这个tf内部维护的collection中

• 当参数trainable为True时，同时也保存在[GraphKeys.TRAINABLE_VARIABLES]中

• get_variable的 initializer+shape参数 和 Variable的initial_value参数 基础使用下无区别

不同点：

也是本博文的主要目的

1.两者参数的不同

get_variable必须给name

2.并且两者对variable命名规律的不同

-tf.get_variable()对于重名的，如果不设置reuse=True会报错(并且对于reuse=True，可以 不需要initializer，指定reuse变量的名字即可)；
-而tf.Variable重名并不报错，而是加后缀来处理重名.

import tensorflow as tf

with tf.variable_scope('V1'):
   a1 = tf.get_variable(name='a1', initializer=tf.zeros([1]))

with tf.variable_scope('V1', reuse=True):
   a3 = tf.Variable(tf.zeros([1]), name='a1')
   a4 = tf.Variable(tf.zeros([1]), name='a1')
   a2 = tf.get_variable('a1')

print('a1:', a1.name)  # a1: V1/a1:0
print('a2:', a2.name)  # a2: V1/a1:0
print('a3:', a3.name)  # a3: V1_1/a1:0
print('a4:', a4.name)  # a4: V1_1/a1_1:0

可以看出，a3 a4加上_1处理，而a2则和a1名字一样
本质上：可以说每次tf.Variable都创建新的variable，所以参数复用这种功能就只能用
tf.get_variable()了。

3.tf.get_variable()封装了regularizer参数，

可以不需要通过tf.add_to_collection(tf.GraphKeys.REGULARIZATION_LOSSES, a)，将avariable放进去

4.配合tf.variable_scope()使用更灵活

with tf.variable_scope('V1',initializer=tf.zeros([1])):
    a1 = tf.get_variable('a1')
    a2 = tf.get_variable('a2', initializer=tf.ones([1]))

当tf.get_variable()没有定义initializer，使用tf.variable_scope()的；包括regularizer等参数都是如此

最后博主推荐使用tf.get_variable()，因为暂时没有发现任何值得用tf.Variable的地方~
你们喜欢哪个用哪个！

参考：https://blog.csdn.net/u012436149/article/details/53696970