tf.name_scope与tf.variable_scope

在看训练模型的代码的时候，发现自己很多不会的地方，所以就边学习边看，然后记录一些笔记，也方便自己以后的回顾。
在训练模型的时候，每输入一次图片就会创建一次过滤器对应的变量，但是为了方便，希望所有的图片都共享相同的变量，所以可以将这些变量设置为全局变量。但是存在的问题是打破封装性，这些变量必须文档化被其他代码文件引用，一旦代码变化，调用方也可能需要变化。还有一种保证封装性的方式是将模型封装成类。
首先要了解tensorflow当中创建变量的两种方式tf.get_variable()和tf.Variable()。

在tf.name_scope下：

tf.get_variable()创建的变量名不受tf.name_scope的影响，即创建的变量的name没有name_scope定义的前缀。而且，在未指定共享变量时，如果重名会报错。
tf.Variable()会自动检测有没有变量重名，如果有则会自行处理。

要共享变量，需要使用tf.variable_scope()

对于使用tf.Variable来说，tf.name_scope和tf.variable_scope功能一样，都是给变量加前缀，相当于分类管理，模块化。
对于tf.get_variable来说，tf.name_scope对其无效，也就是说tf认为当你使用tf.get_variable时，你只归属于tf.variable_scope来管理共享与否。

共享机制

tf.get_variable(, , ) 创建或返回给定名称的变量tf.variable_scope(<scope_name>) 管理传给get_variable()的变量名称的作用域