TensorFlow 学习1（方便日后查阅用法）

tf.Variable()

创建tf变量：

weights = tf.Variable(tf.random_normal([88, 88], stddev=0.1),name="weights")
biases = tf.Variable(tf.zeros([88]), name="biases")

tf. get_variable()

创建tf变量：

weights=get_variable(name='weights', shape=[88,88], 
                     initializer=tf.random_normal_initializer(mean=0, stddev=1))  
biases = tf.get_variable(name='biases ', shape=[1], initializer=tf.constant_initializer(1))  

为什么发明这个用法？
TensorFlow里创建变量的两种方式有 tf.get_variable() 和 tf.Variable()，如果使用Variable 的话每次都会新建变量，但是大多数时候我们是希望一些变量重用的，所以就用到了get_variable()。它会去搜索变量名，然后没有就新建，有就直接用。

特点：
tf.get_variable()创建的变量名不受 name_scope 的影响，而且在未指定共享变量时，如果重名会报错，即不同的变量之间不能有相同的名字，除非你定义了variable_scope，这样才可以有相同的名字。
然而，tf.Variable()会自动检测有没有变量重名，如果有则会自行处理。

tf.name_scope(‘scope_name’)

为什么发明这个用法？
典型的 TensorFlow 可以有数以千计的节点，如此多而难以一下全部看到，甚至无法使用标准图表工具来展示。为简单起见，我们为op/tensor名划定范围，并且可视化把该信息用于在图表中的节点上定义一个层级。默认情况下， 只有顶层节点会显示。

例子：

with tf.name_scope('hidden') as scope:
  a = tf.constant(5, name='alpha')
  W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0), name='weights')
  b = tf.Variable(tf.zeros([1]), name='biases')
  print a.name
  print W.name
  print b.name

输出结果：

hidden/alpha 
hidden/weights 
hidden/biases 

注意：name_scope对 get_variable()创建的变量 的名字不会有任何影响。

tf.variable_scope(‘scope_name’)

为什么发明这个用法？
主要是因为变量共享的需求。

一般怎么用？
tf.variable_scope() 主要结合 tf.get_variable() 来使用，实现 变量共享。

例子：

# 这里是正确的打开方式~~~可以看出，name 参数才是对象的唯一标识
import tensorflow as tf
with tf.variable_scope('v_scope') as scope1:
    Weights1 = tf.get_variable('Weights', shape=[2,3])
    bias1 = tf.get_variable('bias', shape=[3])

# 下面来共享上面已经定义好的变量
# note: 在下面的 scope 中的变量必须已经定义过了，才能设置 reuse=True，否则会报错
with tf.variable_scope('v_scope', reuse=True) as scope2:
    Weights2 = tf.get_variable('Weights')

print Weights1.name
print Weights2.name
# 可以看到这两个引用名称指向的是同一个内存对象

v_scope/Weights:0
v_scope/Weights:0