python-tensorflow 变量及作用域之作用域(二)

前一节讲变量

tf.get_variable和tf.Variable新建变量的区别，区别在于重复定义变量时，计算机是否自动更改变量属性名，tf.variable会自动更改属性名加‘_n’,tf.get_variable就会报错。

本节讲作用域

结论1：变量名就是一个名字，变量的name属性是地址

a = tf.Variable(3.0,dtype=tf.float32)
print(a.name)

输出：Variable_1:0

定义了变量，变量名是a，name属性为Variable_1:0，就是一个地址

 

结论2：tf.variable_scope('scope1')修订了块内的变量name属性，相当于新找了个地址存储变量值

with tf.variable_scope('scope1'):
    a = tf.Variable(3.0,dtype=tf.float32)
    print(a.name)

输出：scope1/Variable:0

 

结论3：tf.name_scope('scope1')未修订了块内的变量name属性，未开辟空间存储变量

with tf.name_scope('scope2'):
    b = tf.get_variable(initializer=3.0,dtype=tf.float32,name='b')
    print(b.name)

输出：b:0

注：若name_scope对变量name属性有影响，那么输出应该为scope2/b:0

 

结论4：tf.name_scope有点类似于 b = a ,重新定义了名字，而且这个名字是给tensorboard用的，用以分块；未考虑tensorboard时，跟删掉没什么差别

with tf.name_scope('scope2'):
    with tf.variable_scope('v_scope'):
        b = tf.get_variable(initializer=3.0,dtype=tf.float32,name='b')
        print(b.name)

print(b.name)

 

输出：

v_scope/b:0

v_scope/b:0