【TensorFlow-windows】name_scope与variable_scope

前言

探索一下variable_scope和name_scope相关的作用域，为下一章节tensorboard的学习做准备

其实关于variable_scope与get_variable实现变量共享，在最开始的博客有介绍过：

【TensorFlow-windows】学习笔记二——低级API

当然还是国际惯例，参考博客：

tensorflow: name_scope 和 variable_scope区别及理解

tensorflow学习笔记(十七):name&variable scope

tensorflow官方文档name_scope

tensorflow官方文档get_varialbe

tensorflow官方文档variable_scope

variable_scope相关

先引入对应包：

import tensorflow as tf
import numpy as np

Variable定义的变量是否共享

a1 = tf.Variable(1,name='aaa')
a2 = tf.Variable(2,name='aaa')
init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(a1.eval())#1
    print(a2.eval())#2
print(a1) #<tf.Variable 'aaa:0' shape=() dtype=int32_ref>
print(a2) #<tf.Variable 'aaa_1:0' shape=() dtype=int32_ref>

结论：Variable定义的权重不共享，会自动给变量按照定义顺序加后缀_索引，比如第2此定义的aaa得到的名字是aaa_1，所以他们是完全不同的两个变量，名称也不同。

Variable定义与get_variable定义有什么区别

#variable创建方式
tf.Variable(<initial-value>, name=<optional-name>)
#get_variable创建方式
tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    regularizer=None,
    trainable=True,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None,
    constraint=None
)

结论：Variable定义不实现共享，所以只需要初始值就行了，名字无所谓。get_variable要通过名字实现共享，所以必须给变量一个名字，其余无所谓。

直接定义两个同名的get_variable变量

b1 = tf.get_variable(name='b',initializer=10)
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(b1.eval())#10
b2 = tf.get_variable(name='b',initializer=20)
'''
Variable b already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:
'''

结论：不能直接定义两个同名get_variable变量，必须通过特定方法实现共享

第一种共享方法

在variable_scope内部使用reuse_variables函数：

with tf.variable_scope('dd') as scope:
    d1=tf.get_variable(name='d',initializer=10.0,dtype=tf.float32)
    scope.reuse_variables()
    d2=tf.get_variable(name='d',initializer=20.0,dtype=tf.float32)

上述在同一个变量空间中，定义两个同名变量，通过reuse_variable实现共享，输出结果如下：

print(d1,d2)
init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(d1.eval(),d2.eval())
'''
<tf.Variable 'dd/d:0' shape=() dtype=float32_ref> <tf.Variable 'dd/d:0' shape=() dtype=float32_ref>
10.0 10.0
'''

结论：可以通过reuse_variable实现共享，但是第二次初始化的值是无法覆盖第一次初始化的值的

第二种共享方法

在使用variable_scope建立变量空间的时候，如果是复用一个已定义的变量空间中的变量，直接将reuse设置为True

with tf.variable_scope('ff') as scope:
    f1=tf.get_variable(name='f',initializer=10.0,dtype=tf.float32)
with tf.variable_scope('ff',reuse=True) as scope:
    f2=tf.get_variable(name='f',initializer=20.0,dtype=tf.float32)
with tf.variable_scope('gg') as scope:
    g=tf.get_variable(name='f',initializer=20.0,dtype=tf.float32)

输出看看

print(f1,f2,g)
init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(f1.eval(),f2.eval(),g.eval())
'''
<tf.Variable 'ff/f:0' shape=() dtype=float32_ref> <tf.Variable 'ff/f:0' shape=() dtype=float32_ref> <tf.Variable 'gg/f:0' shape=() dtype=float32_ref>
10.0 10.0 20.0
'''

结论：可以通过函数参数reuse实现变量共享

不同变量空间中的相同名称变量是否共享

结论：无法共享，比如上例中f1和g无法共享，虽然名称都是f，但是所在变量空间不同。

第三种共享方法

调用函数的时候，自动检测是否需要reuse

with tf.variable_scope('ee',reuse=tf.AUTO_REUSE) as scope:
    e2=tf.get_variable(name='e',initializer=10.0,dtype=tf.float32)
    e3=tf.get_variable(name='e',initializer=20.0,dtype=tf.float32)
with tf.variable_scope('ee',reuse=tf.AUTO_REUSE) as scope:
    e4=tf.get_variable(name='e',initializer=30.0,dtype=tf.float32)
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(e2,e3,e4)
    print(e2.eval(),e3.eval(),e4.eval())
'''
<tf.Variable 'ee/e:0' shape=() dtype=float32_ref> <tf.Variable 'ee/e:0' shape=() dtype=float32_ref> <tf.Variable 'ee/e:0' shape=() dtype=float32_ref>
10.0 10.0 10.0
'''

如果之前没创建过共享变量，不适用自动检测，而直接reuse会报错

with tf.variable_scope('ee',reuse=True) as scope:
    e2=tf.get_variable(name='e',initializer=10.0,dtype=tf.float32)
'''
 Variable ee/e does not exist, or was not created with tf.get_variable(). Did you mean to set reuse=tf.AUTO_REUSE in VarScope?
'''

结论：如果不确定之前是否创建过共享变量，最好是使用AUTO_REUSE自动检测

name_scope相关

直接用namescope是否能隔绝共享变量

with tf.name_scope('f') as nscope:
    f1 = tf.get_variable('f',initializer=10.0,dtype=tf.float32)
with tf.name_scope('g') as nscope:
    g = tf.get_variable('f',initializer=20.0,dtype=tf.float32)
'''
Variable f already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:
'''

结论：无法直接用name_scope隔绝共享变量

在不同namesope中是否可以共享变量

创建两个命名空间，但是两个命名空间包含相同的变量空间，设置共享变量h

with tf.name_scope('test1') as scope:
    with tf.variable_scope('h',reuse=tf.AUTO_REUSE):
        h1 = tf.get_variable('hh',initializer=10.0,dtype=tf.float32)
with tf.name_scope('test2') as scope:
    with tf.variable_scope('h',reuse=tf.AUTO_REUSE):
        h2 = tf.get_variable('hh',initializer=10.0,dtype=tf.float32)

测试是否能实现变量共享

init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(h1,h2)
    print(h1.eval(),h2.eval())
    op=tf.assign(h1,30.0)
    sess.run(op)
    print(h1.eval(),h2.eval())
'''
<tf.Variable 'h/hh:0' shape=() dtype=float32_ref> <tf.Variable 'h/hh:0' shape=() dtype=float32_ref>
10.0 10.0
30.0 30.0
'''

结论：命名空间不能控制是否共享，但是变量空间可以控制变量共享。

总结

get_variable与variable_scope配合可以实现变量共享。

name_scope无法实现变量共享，但是如果看过之前的博客可以发现，它的一个作用是将一系列操作封装在一起，这样画图的时候网络结构比较清晰。

其它作用以后遇到再补充，主要是为了下一章节学习tensorboard做准备。