tf.variable_scope 与 tf.get_variable

 

tf.Variable()  

W = tf.Variable(<initial-value>, name=<optional-name>)

无法共享变量，必须指定初始化值；每次都会新建一个变量

tf.get_variable()

W = tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None, regularizer=None, trainable=True, collections=None)

获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。

可以用各种初始化方法，不用明确指定值

with tf.variable_scope("one"):    # reuse默认为False
    a = tf.get_variable("v", [1]) # a.name == "one/v:0"
with tf.variable_scope("one"):
    b = tf.get_variable("v", [1]) # 创建名字一样的变量会报错 ValueError: Variable one/v already exists 
with tf.variable_scope("one", reuse = True): # 设置reuse=True，默认为False。
    c = tf.get_variable("v", [1]) #c.name == "one/v:0" 成功共享，因为设置了reuse

变量共享的前提是，在同一 variable_scope
reuse=False  默认
reuse=True   共享同名变量，存在时指向同一内存空间，不存在报错
reuse=tf.AUTO_REUSE    存在时指向同一内存空间，不存在时创建此变量

故，用 tf.AUTO_REUSE 更好，防止要共享的变量不存在时报错