(Tensorflow之十九)tf.variable_scope的命名空间管理

一、tf.variable与tf.get_variable

生成变量的方法

val = tf.variable(tf.constant(1.0,shape=[1],name="val"))
val = tf.get_variable("val",1.0,shape=[1],initializer = tf.constant_initializer(1.0))

这两种方法生成变量的方法几乎是等效的，区别是：
tf.get_variable是根据变量名称生成变量的，因此如果变量名称重复时，则会报错；
例如：

val1 = tf.get_variable("val",1.0,shape=[1],initializer = tf.constant_initializer(1.0))
val2 = tf.get_variable("val",1.0,shape=[1],initializer = tf.constant_initializer(1.0))

此时，val2便会报错，主要是由于变量名“val”已经使用了。

二、tf.variable_scope管理变量名

在命名空间foo内创建变量名为val的变量val1

with tf.variable_scope("foo"):
    val1 = tf.get_variable("val",1.0,shape=[1],initializer = tf.constant_initializer(1.0))

在命名空间foo内获取变量名为val的变量，定义为val2，因为处于同一命名空间，则val2 = val1,设定，refuse = True代表允许直接获取已经声明的变量；

with tf.variable_scope("foo"，refuse = True):
    val2 = tf.get_variable("val",1.0,shape=[1])

但下，以下情况则会出错,因为foo1中并没有变量val，因此报错。

with tf.variable_scope("foo1",，refuse = True):
    val2 = tf.get_variable("val",1.0,shape=[1])

正确的写法因如下，创建新的变量名对需对变量进行初始化

with tf.variable_scope("foo1"):
    val2 = tf.get_variable("val",1.0,shape=[1]，tf.constant_initializer(1.0))