tensorflow变量命名相关以及tf.variable_scope和tf.name_scope

1.tensorflow变量名字

tensorflow提供了通过变量名称来创建或者获取一个变量的机制。可以通过变量的名字来使用变量，同时也能通过判断变量名称知道变量是否重复。当reuse为False或者None时（这也是默认值），同一个tf.variable_scope下面的变量名不能相同；当reuse为True时，tf.variable_scope只能获取已经创建过的变量。

reuse=False时会报错的情况：
with tf.variable_scope('foo'):
    v = tf.get_variable('v',[1],initializer=tf.constant_initializer(1.0))

with tf.variable_scope('foo'):
    v1 = tf.get_variable('v',[1])

这种情况下，v和v1的名字都是foo/v,会有命名冲突。第二段改成：

with tf.variable_scope('foo', reuse=True)

tf.get_variable()就是获取v变量的功能而不是创建。

with tf.variable_scope('bar', reuse=True):
    v3 = tf.get_variable('v',[1])

如果是这样，也会报错，因为reuse为真时tf.get_variable()获取变量，但bar/v并没有定义过。

2.tf.Variable与tf.get_variable

变量可以通过tf.Varivale与tf.get_variable来创建。当tf.get_variable用于变量创建时，和tf.Variable的功能基本等价

#以下两个定义是等价的
v = tf.get_variable('v', shape=[1], initializer=tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(1.0, shape=[1], name='v')

tf.get_varialbe和tf.Variable最大的区别在于：tf.Variable的变量名是一个可选项，通过name=’v’的形式给出。但是tf.get_variable必须指定变量名。

3.tf.variable_scope与tf.name_scope

这两个管理命名空间的函数功能差不多，只在使用tf.get_varialbe时有差异。tf.get_variable函数不受tf.name_scope的影响。

with tf.variable_scope('foo'):
    a = tf.get_variable('bar',[1])
    print(a.name)#结果为foo/bar:0

with tf.name_scope('a'):
    a=tf.Variable([1])
    print(a.name)#结果为a/Variable:0

    b=tf.get_variable('b',[1])
    print(b.name)#结果为b:0