一、概要
tf.name_scope() #主要是方便参数变量的“ 分组 ”和 “ 管理 ”,主要是结合tf.Variable()一起使用
tf.variable_scope() #一方面也是可以实现变量的“ 分组 ”和“ 管理 ”,主要是结合tf.get_variable()一起使用
tf.Variable() #创建一个全新的变量,由于tf.Variable()
每次都在创建新对象,所有reuse=True
和它并没有什么关系。 对 于get_variable()
,来说,如果已经创建的变量对象,就把那个对象返回,如果没有创建变量对象的 话, 就创建一个新的
tf.get_variable() #创建共享变量
二、tf.name_scope()的使用
1、tf.name_scope()结合tf.Variable() 的使用
import tensorflow as tf
with tf.name_scope('left_add'):
a_add_left=tf.Variable(initial_value=10,name='a_add')
b_add_left=tf.Variable(initial_value=20,name='b_add')
c_result=tf.add(a_add_left,b_add_left,name='c_result') #同名变量
print(c_result.name)
print('+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++')
with tf.name_scope('left_add'):
a_add_right=tf.Variable(initial_value=30,name='a_add')
b_add_right=tf.Variable(initial_value=40,name='b_add')
c_result=tf.add(a_add_right,b_add_right,name='c_result') #同名变量
print(c_result.name)
print('+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++')
with tf.Session() as sess:
writer=tf.summary.FileWriter('name_scope_graph',graph=sess.graph)
运行结果为:
left_add/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
left_add_1/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
结论:
(1)因为name_scope的主要作用就是变量的分类与管理,即使两个name_scopede名称一样,依然没有关系,会默认为后面的增加一个序号1、2、3、。。。。依次为:eft_add 、eft_add_1、eft_add_2、eft_add_3、eft_add_4.
(2)因为name_scope会相当于给每个区域制定一个完全不同的名字(即使名字相同,但后缀不同),所以不同的name_scope里面定义名称相同的变量完全不会有问题,因为每一个name_scope里面的变量名称会添加name_scope的名称作为前缀,如上的left_add/c_result:0 和 left_add_1/c_result:0
如果将上面的第二个name_scope改为如下:
with tf.name_scope('left_add/'): #添加一个斜杠,表示name_scope名称不再逐渐递增,按原样显示
此时显示的结果为:
left_add/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
left_add/c_result_1:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
结论:
(1)当name_scope按照原名称显示的时候,不同name_scope里面的同名变量又会采用“ 逐渐递增 ”的形式,如c_result_1 、c_result_2、c_result_3、c_result_3. 即总是会保证每个变量的唯一性,即不管是name_scope相同还是变量名相同,都是不会报错的。
(2)因为name_scope的作用主要就是变量的分类管理,在编程时最好不要将每个name_scope的名称设置为相同,否则就是去了“ 分类管理 ”本身的初衷。
2、tf.name_scope()结合tf.get_variable() 的使用
前面的使用tf.Variable()无论是在同一个name_scope中定义同名变量,还是在不同的name_scope中定义同名变量,都不会出错,因为tf.Variable()创建的是以全新的变量,不是共享的,故而名称会以序号的形式“ 逐渐递增 ”,但是与tf.get_variable() 的使用就不一样了,因为tf.get_variable() 时创建的 共享变量。
(1)在name_scope中使用tf.get_variable() 创建不同名的变量,如下:
import tensorflow as tf
with tf.name_scope('name_scope_1'):
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
var2 = tf.get_variable(name='var2', shape=[1], dtype=tf.float32) #不同名
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(var1.name, sess.run(var1))
print(var2.name, sess.run(var2))
输出结果为:
var1:0 [-1.5012715]
var2:0 [-0.37785244]
以为本来名称就不同,故而不会错误。而且我们发现,他不显示name_scope的前缀了。
(2)在name_scope中使用tf.get_variable() 创建同名的变量,如下:
import tensorflow as tf
with tf.name_scope('name_scope_1'):
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
var2 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32) #同名
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(var1.name, sess.run(var1))
print(var2.name, sess.run(var2))
运行结果:Variable var1 already exists, disallowed.
总结:可以在name_scope创建同名的非共享变量,但是不能创建同名的共享变量。如果要创建同名的共享变量,该怎么办呢?
则使用tf.get_variable()和tf.variable_scope()相结合
三、tf.variable_scope()的使用
如下面的代码:
import tensorflow as tf
with tf.variable_scope('variable_scope') as scope:
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
print(var1.name)
scope.reuse_variables() # 设置共享变量
var1 = tf.get_variable(name='var1')
print(var1.name)
var2 = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
print(var2.name)
var2 = tf.Variable(initial_value=[2.], name='var2', dtype=tf.float32)
print(var2.name)
打印结果如下:
variable_scope/var1:0
variable_scope/var1:0
variable_scope/var2:0
variable_scope/var2_1:0
结论:从上面的例子可以看出,在同一个variable_scope里面,可以丁一两个两个完全同名的变量var1,即使变量名称和属性name的名称完全一样,依然不会出错,因为使用tf.get_variable()创建的是共享变量。当然使用tf.Vriable()自然没有问题,因为它创建的本身就是完全不一样的变量,依然会遵循前面的变量名按顺序逐渐递增的形式。
(1)使用同名变量是要进行相关的设置的。下面会有几种方式:
方式一:scope.reuse_variables() # 设置共享变量
方式二:
with tf.variable_scope('foo') as foo_scope:
v = tf.get_variable('v', [1])
with tf.variable_scope('foo', reuse=True): #设置相同名称的foo,
v1 = tf.get_variable('v')
assert v1 == v
方式三:
with tf.variable_scope('foo') as foo_scope:
v = tf.get_variable('v', [1])
with tf.variable_scope(foo_scope, reuse=True): #直接指定前面的那个variable_scope
v1 = tf.get_variable('v')
assert v1 == v
四、总结
不管是在name_scope还是在variable_scope里面,tf.Variable()的作用都是一样的;但是tf.get_variable()并不是不能在name_scope里面使用,创建非同名变量(注意这里的非同名指的是name指定的名称不一样)依然是可以的,只是不能创建同名变量;要创建共享变量,需要将variable_scope和tf.get_variable()结合起来使用。如下:
tf.get_variable()可以重新使用一个已经存在的同名变量或者重新创建一个新的变量。比如:
a = tf.get_variable(name='v', shape=[1])
在Python中这个变量保存为a,而在TensorFlow中这个变量保存为v。如果进一步定义变量b
b = tf.get_variable(name='v', shape=[1])
# ValueError: Variable v already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:
出现这个错误的原因在于,在使用TensorFlow中一个已经定义的变量时,需要申明reuse。为了重复使用tf.get_variable()定义的变量,必须在variable_scope中声明reuse
with tf.variable_scope('one'):
a = tf.get_variable('v', [2])
with tf.variable_scope('one', reuse=True):
c = tf.get_variable('v', [2])
即创建名称name同为 “v” 的变量,需要使用tf.variable_scope(reuse=True),而且需要指定reuse参数为True。