TensorFlow中定义Tensor时的参数name有什么用？

在某些地方，我看到了语法，其中变量用name初始化，有时没有name。 例如：

# With name
x1 = tf.Variable(0, name="X1")

# Without
one = tf.constant(1)

那么变量名x1和X1有什么区别呢？

name参数是可选的（您可以创建带或不带它的变量和常量），并且您在程序中使用的变量不依赖于它。 name在以下几个方面很有帮助：

当您想要保存或恢复变量时

matrix_1 = tf.Variable([[1, 2], [2, 3]], name="v1")
matrix_2 = tf.Variable([[3, 4], [5, 6]], name="v2")
init = tf.initialize_all_variables()

saver = tf.train.Saver()

sess = tf.Session()
sess.run(init)
save_path = saver.save(sess, "/model.ckpt")
sess.close()

matrix_1和matrix_2保存的时候以v1和v2保存

在TensorBoard中使用name来很好地显示边的名称

import tensorflow as tf

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')

您可以将Python命名空间和TensorFlow命名空间想象为两个平行线。 TensorFlow空间中的名称实际上是属于任何TensorFlow变量的“真实”属性，而Python空间中的名称只是在脚本运行期间指向TensorFlow变量的临时指针。 （也就是上面代码中的a, W, b都是在Python空间中定义的变量，而name参数定义的如alpha, weights, biases都是在TensorFlow空间中的）这就是为什么在保存和恢复变量时，只使用TensorFlow名称的原因，因为脚本终止后Python命名空间不再存在，但Tensorflow命名空间仍然存在于保存的文件中。

转载自：https://blog.csdn.net/xiaohuihui1994/article/details/81022043