tensorflow---name_scope与variable_scope的区别

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~