tensorflow—name_scope与variable_scope的区别
在讲name_scope与variable_scope的区别之前,先讲一下variable与get_variable的区别:
在网上看了很多博主关于这个问题的讲解,不过在我看来,二者之间最大的区别应该是:
----get_variable有参数初始化参数,然而variable内部没有参数初始化参数
----其次,使用tf.Variable时,如果检测到命名冲突,系统会自己处理,其实就是在命名后面直接加_1。使用tf.get_variable()时,系统不会处理冲突,而会报错.
(对于后者而言,如果想解决该报错,可以加上:tf.get_variable_scope().reuse_variables(),作用就是针对重复的变量允许进行直接获取操作)
name_scope与variable_scope的区别:
tf.variable_scope方法的作用就是定义一个作用域,定义在variable_scope作用域中的变量和操作,会将variable scpre的名称作为前缀添加到变量/操作名称前,支 持嵌套的作用域,添加前缀规则和文件目录路径的规则类似。
然而,name_scope的主要作用是为op_name前加前缀,variable_scope是为get_variable创建的变量的名字加前缀。
简单讲:
----使用tf.Variable创建的变量受name_scope和variable_scope的的效果,会给变量添加前缀, 但是使用tf.get_variable创建变量只受variable_scope的效果。
----name_scope会影响op_name,不会影响用get_variable()创建的变量,而会影响通过Variable()创建的变量。
with tf.Graph().as_default():
with tf.name_scope('n1'):
a = tf.get_variable('a',shape=[])
with tf.variable_scope('v1'):
b = tf.get_variable('b',shape=[])
print('a的名称为:', a)
print('b的名称为:', b)
'''
结果为:
a的名称为: <tf.Variable 'a:0' shape=() dtype=float32_ref>
b的名称为: <tf.Variable 'v1/b:0' shape=() dtype=float32_ref>
'''
通过上面代码,我们就可以很明显的看出来:如果是用过tf.get_variable创建变量,是不受name_scope的影响的~~~
注:name_scope的主要功能是用于模型可视化使用~