Tensorflow中的变量共享

https://blog.csdn.net/baimafujinji/article/details/50485557

http://jermmy.xyz/2017/08/25/2017-8-25-learn-tensorflow-shared-variables/

https://www.tensorflow.org/programmers_guide/variables?hl=zh-cn

文章来源于对以上三个链接的学习总结。

可能会有认识有误的地方，请多多指教。

本文主要解决以下三个问题？

1. 什么是变量共享？

2. 什么情况下需要变量共享？

变量共享包括两个阶段：

（1）在定义函数或者方法的时候，将前面已经定义的变量（或者函数）在下文中重复使用。例如，在cnn的定义中卷积层需要使用多次，那么卷积层的weights和biases将重复使用多次。此时，共用多次变量的行为称作变量共享。

（2）在定义好模型之后，需要调用多次。此时需要再次共享变量。

3. 如何使用变量共享机制（两个tensorflow中的API：tf.get_variable()和tf.variable_scope()）？

首先，先看一段代码。

def conv_relu(input, kernel_shape, bias_shape):
# Create variable named "weights".
    weights  = tf.get_variable("weights", kernel_shape,  initializer=tf.random_normal_initializer())
# Create variable named "biases"
    biases = tf.get_variable("biases", bias_shape, initializer=tf.constant_initializer(0.0))
    conv = tf.nn.conv2d(input, weights, strides=[1,1,1,1], padding='SAME')
    return tf.nn.relu(conv + biases)

在现实模型中，我们需要很多此类卷积层，如果每一层都重新定义weights和biases（不可以重名），将会使得代码冗余。

并且，重复调用此函数将不起作用（报错）。

input1 = tf.random_normal([1,10,10,32])
input2 = tf.random_normao([1,20,20,32])
x = conv_relu(input1, kernel_shape=[5,5,32,32], bias_shape=[32])
x = conv_relu(x, kernel_shape=[5,5,32,32], bias_shape=[32])  # This fail

由于tensorflow不知道下面是创建新变量还是使用原来的变量 ，所有会报错。不过，在不同的作用域中调用conv_relu()

可表明我们想要创建新的变量。

def my_image_filter(input_images):
    with tf.variable_scope("conv1"):
    # Variables created here will be named "conv1/weights","conv1/biases".
    relu1 = conv_relu(input_images, [5,5,32,32], [32])
    with tf.variable_scope("conv2"):
    # Variables created here will be named "conv2/weights", "conv2/biases"
    return conv_relu (relu1, [5,5,32,32], [32])

如果，你想要共享变量的话，有两种方法可供选择。首先，你可以使用reuse=True创建具有相同名称的作用域：

with tf.variable_scope("model"):
    output1 = my_image_filter(input1)
with tf.variable_scope("model", reuse=True):
    output2 = my_image_filter(input2)

你也可以调用scope.reuse_variables()以触发 重用：

with tf.variable_scope("model") as scope:
    output1 = my_image_filter(input1)
    scope.reuse_variables()
    output2 = my_image_filter(input2)

由于，依赖作用域的确切字符串名称可能比较危险，因此也可以根据另一作用域初始化某个变量作用域：

with tf.variable_scope("model") as scope:
    output1 = my_image_filter(input1)
with tf.variable_scope(scope, reuse=True):
    output2 = my_image_filter(input2)