tensorflow实战——Day4

终于考完了数值分析，终于可以接上tensorflow学习了。。

TensorFlow通过名字管理变量

在写代码的时候，我们会发现，参数真的太多太多了，传这里传一下weight，那里传一下bias，头都要大了，还好，TensorFlow为我们提供了一种通过名字管理变量的办法，这里说的名字不同于变量名。举个栗子，有个变量就是[[1],[1]]，然后我们给它叫一个名字，这个名字是唯一的，比如“one_matrix”，好了，下次张三用的时候，他就直接写a=one_matrix，李四用的时候，他就写b=one_matrix，有点全局变量的意思。由此可见，可以通过多个不同变量名（a、b）的变量来引用这个被取了名字的变量one_matrix。

import tensorflow as tf
with tf.variable_scope("namespace"):
    # 创建一个变量
    v=tf.get_variable(name="var",shape=[2,3],initializer=tf.constant_initializer(value=2.))

with tf.variable_scope("namespace",reuse=True):
    # 引用定义好的变量
    v1=tf.get_variable(name="var")
    print(v1.shape)
    print(v1.name)
    print(v==v1)

在namespace命名空间下创建了一个名叫var的变量（常量）。下次再用它的时候也要打开相应的命名空间，并且设置reuse=True，然后再引用它，并且只要告诉名字就够了，不要再给出过shape、initializer这些参数。如果要在这个命名空间里加一个变量，就reuse=False，然后再添加就好了。

print(v==v1)这句输出是True，说明两个变量（v，v1）引用的是同一个东西。

variable_scope 嵌套

variable_scope 这个东西是可以嵌套的，可以看作就是一层层的目录，命名空间就看作是目录名，里面还会有别的目录或者变量。需要注意的就是，reuse这个变量的值如果没显示指明，就和上一层的一样，如果是根命名空间，那就是False，来个代码直观理解一下。

# variable_scope 嵌套
with tf.variable_scope("root"):
    # 这个输出为False
    print(tf.get_variable_scope().reuse)
    # 创建一个root_var变量
    v1=tf.get_variable(name="root_var",shape=[2,3],initializer=tf.constant_initializer(value=2.))
    with tf.variable_scope("sub_root",reuse=True):
        # 这个输出为True
        print(tf.get_variable_scope().reuse)
        with tf.variable_scope("sub_sub_root"):
            # 这个输出为True
            print(tf.get_variable_scope().reuse)

    # 这个输出为False,回到了根命名空间
    print(tf.get_variable_scope().reuse)

# 输出如下
False
True
True
False

当然，可以在命名空间a中，引用命名空间b里面创建的变量。前提是你必须知道那个给好了名字的变量具体是怎么嵌套的。接上面的代码，我们可以在一个“”命名空间下，去用root下的root_var变量，有点类似目录中文件选择。

这个命名空间的名字必须是空的，假如不是空（例如给个b），就成了b/root/root_var，这个显然是没有的。

with tf.variable_scope("", reuse=True):
    # 使用root命名空间下的root_var变量
    v2=tf.get_variable(name="root/root_var")
    print(v2.name)
    print(v2.shape)

#输出如
root/root_var:0
(2, 3)