对tf.get_variable（）的进一步理解

情况一：w = tf.get_variable

在with tf.variable_scope(name=‘op’):下有使用w的相关代码，这样，会话中第一次执行到with tf.variable_scope(name=‘op’):的w相关代码时，用的w是第一次用初始化器构造的值，下一次用，发现w已经有值了，直接拿来用。

情况二w = tf.get_variable

既在with tf.variable_scope(‘op1’):下，又在with tf.variable_scope(‘op2’):下，都有使用w的代码，这样，会话中第一次执行with tf.variable_scope(‘op1’):下的w相关代码时，用到的w是第一次用初始化器构造的值w
1，紧接着又执行with tf.variable_scope(‘op2’):下的w相关的代码，会再次用初始化器构造值w2，然后去使用。 那后面，执行with tf.variable_scope(‘op1’):下的w的相关代码时，用的w现在已经有值了，就是w1；；；；执行with tf.variable_scope(‘op2’):下的w的相关代码时，用的w现在也已经有值了，就是w2。 这样，w就实现了共享。

def my_func(x):
    # initializer:初始化器 第一次运行没问题，第二次运行时那个值已经存在了，但默认情况下它是不能存在的
    w = tf.get_variable(name='w', shape=[1], initializer=tf.random_normal_initializer())[0]
    # tf.random_normal_initializer()同tf.random_normal()类似
    
    b = tf.get_variable(name='b', shape=[1], initializer=tf.random_normal_initializer())[0]
    # 有对应名称（比如：name='w'）的变量就获取，没有就创建
    
    r = w * x + b

    return r, w, b

def func(x):
    with tf.variable_scope("op1", reuse=tf.AUTO_REUSE):
        r1 = my_func(x)
    with tf.variable_scope("op2", reuse=tf.AUTO_REUSE):
        r2 = my_func(r1[0])
    return r1, r2


# 下面两行代码还是属于图的构建
x1 = tf.constant(3, dtype=tf.float32)
x2 = tf.constant(4, dtype=tf.float32)
r1 = func(x1)
r2 = func(x2)

with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
    tf.global_variables_initializer().run()
    print(sess.run([r1, r2]))

    # 运行结果如下：
    # [((5.179422, 1.2175516, 1.5267673), (1.7860048, 0.3359851, 0.045796324)),
    # ((6.3969736, 1.2175516, 1.5267673), (2.195084, 0.3359851, 0.045796324))]

小理解

a = tf.Variable(1.0, name='a', dtype=tf.float32)
b = tf.get_variable(name='b', shape=[1], initializer=tf.random_normal_initializer())[0]
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a, feed_dict={a: 2.0}))  # 2.0
    print(sess.run(b))  # -1.0582993
    print(sess.run(b, feed_dict={b: 2.0}))  # 2.0