TensorFlow中Variable()和get_variable()

  tf.Variable()和tf.get_variable()都可以用来创建变量，但是前者会自动保证唯一性，而后者不能保证唯一性。

1 tf.Variable：

Variable(initial_value=None, trainable=True, 
         collections=None, validate_shape=True, 
         caching_device=None,name=None, 
         expected_shape=None, import_scope=None,
         constraint=None)

  新建一个变量，变量值是initial_value.

params:
    initial_value:初始值

    name:可选参数，变量的名字，会自动保证唯一性。

2 tf.get_variable():

get_variable(name, shape=None, dtype=None, 
             initializer=None, regularizer=None, 
             trainable=True, collections=None,
             caching_device=None, partitioner=None, 
             validate_shape=True, use_resouce=None, 
             constraint=None)

  获取具有这些参数的现有变量或创建一个新变量。如果该name的变量还未定义，则新创建一个；如果已经定义了，则直接获得该变量。
  get_variable()可以用来创建共享变量。

  下面用例子来说明二者的不同之处：

import tensorflow as tf

with tf.variable_scope('scope1'):
    w1 = tf.Variable(1, name='w1')
    w2 = tf.get_variable(name='w2', initializer=2.)

with tf.variable_scope('scope1', reuse=True):
    w1_p = tf.Variable(1, name='w1')
    w2_p = tf.get_variable(name='w2', initializer=3.)

print('w1', w1)
print('w1_p', w1_p)

print('w2', w2)
print('w2_p', w2_p)

print(w1 is w1_p, w2 is w2_p)

输出结果如下：

w1 <tf.Variable 'scope1/w1:0' shape=() dtype=int32_ref>
w1_p <tf.Variable 'scope1_1/w1:0' shape=() dtype=int32_ref>

w2 <tf.Variable 'scope1/w2:0' shape=() dtype=float32_ref>
w2_p <tf.Variable 'scope1/w2:0' shape=() dtype=float32_ref>

False True

  可以看出，tf.Variable()会自动处理冲突问题，如代码中所示，他会将scope1改为scope1_1。

  而tf.get_variable()会判断是否已经存在该name的变量，如果有，并且该变量空间的reuse=True,那么就可以直接共享之前的值;如果没有，则重新创建。注意，如果你没有将reuse设为True，则会提示冲突发生。

  代码中最后一条语句判断上述变量是否相等，可以看出，通过get_variable()定义的变量是完全等价的，即使后一条get_variable将initializer设为3.，但是由于name=’w2’的变量已经存在，并且reuse=True，则直接引用之前定义的。这样就可以用get_variable()来定义共享变量。

  你会发现，tf.get_variable()使用时，一般会和tf.variable_scope()配套使用，需要指定它的作用域空间，这样在引用的使用就可以通过设置指定的scope的reuse=True进行引用。下面讲解一下tf.variable_scope()和tf.name_scope()。

  name_scope()是给op_name加前缀，指明op的作用域空间的，op是指操作。而variable_scope()是给get_variable()创建的变量的名字加前缀，表明作用域空间，也可以用于处理命名冲突。

with tf.name_scope('name_test'):
    n1 = tf.constant(1, name='cs1')
    n2 = tf.Variable(tf.zeros([1]), name='v1')

    nv1 = tf.get_variable(name='nv1', initializer=1.0)

with tf.variable_scope('v_test'):
    v_n1 = tf.constant(2, name='cs2')
    v_n2 = tf.Variable(tf.zeros([1]), name='v2')

    v1 = tf.get_variable(name='vv1', initializer=2.0)

print('n1', n1.name)
print('n2', n2.name)
print('nv1', nv1.name)

print('v_n1', v_n1.name)
print('v_n2', v_n2.name)
print('v1', v1.name)

输出结果如下：

n1 name_test/cs1:0
n2 name_test/v1:0
nv1 nv1:0

v_n1 v_test/cs2:0
v_n2 v_test/v2:0
v1 v_test/vv1:0

  可以看出，variable_scope()不仅对get_variable()有效，对普通的op也有效，能给它们加上前缀，指明作用域空间；而name_scope()仅仅对普通的op有效，对get_variable()无效，不能给后者加上前缀，指明作用空间。