tf.Variable()与tf.get_variable()区别与联系

tensorflow中有两个生成变量的操作：

1. tf.Variable()
2. tf.get_variable()

这两个方法都可以生成变量，但是用法上还是有点区别：

函数	必选参数	是否可以获取已有变量	变量名冲突处理
tf.Variable()	value	不可以	自动处理
tf.get_variable()	name+shape/initializer(能够给定形状信息即可)	可以	报错

tf.Variable()遇到重名变量时，会自动处理

import tensorflow as tf
w_1 = tf.Variable(3,name="var")
w_2 = tf.Variable(1,name="var")
print(w_1.name)  # var:0
print(w_2.name)  # var_1:0

另外注意reuse的使用方法，variable_scope也存在命名重复的问题

https://blog.****.net/js54100804/article/details/80463520

>import tensorflow as tf

with tf.variable_scope("scope1"):
    w1 = tf.get_variable("w1", shape=[])
    w2 = tf.Variable(0.0, name="w2")
with tf.variable_scope("scope1", reuse=True):  # 这里改成False，即可看到系统询问是否要改为True。
    w1_p = tf.get_variable("w1", shape=[])
    w2_p = tf.Variable(0.0, name="w2")

print(w2.name, w2_p.name)  # scope1/w2:0 scope1_1/w2:0
print(w1.name, w1_p.name)  # scope1/w1:0 scope1/w1:0
print(w1 is w1_p, w2 is w2_p)  # True False
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter("logs", sess.graph)  # 文件写在该.py文件同级

可以看出，同一个tf.variable()，被系统处理成两个scope，并且自动处理命名问题。且w2被复用。

tf.name_scope()与tf.varialbe_scope()区别与联系

case1:无scope，仅仅用两种方法生成变量

import tensorflow as tf
# 无上下文管理器tf.get_variable(),tf.Variable()      上下文管理器：含有__enter__，__exit__方法的class

v1 = tf.get_variable("var1", [1])
v2 = tf.Variable(1, name='var2')

print(v1.name)  # var1:0
print(v2.name)  # var2:0

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter("logs", sess.graph)  # 文件写在该.py文件同级logs文件夹下,用  tensorboard --logdir=.  即可

结果就是单纯的生成两个变量

以下两种生成变量的内部操作，均为典型操作，var1为无初值，var2为有初值

结论:无scope包裹的两种方式，仅仅是单纯的生成变量，名字由name参数给定

case2:两种生成变量的方法用tf.varialbe_scope()包裹

import tensorflow as tf
# 上下文管理器：tf.variable_scope        上下文管理器：含有__enter__，__exit__方法的class
with tf.variable_scope("foo"):
    v1 = tf.get_variable("var1", [1])
    v2 = tf.Variable(1, name='var2')
    
print(v1.name)  # foo/var1:0
print(v2.name)  # foo/var2:0

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter("logs", sess.graph)  # 文件写在该.py文件同级logs文件夹下,用  tensorboard --logdir=.  即可

发现，如果使用tf.variable_scope()这个上下文管理器，则两种方式生成的变量都会被包含在foo这个变量空间中。

并且很可能比case1仅仅多了一个foo这个变量空间。

打开看以后，发现确实如此——使用tf.variable_scope()这个上下文管理器，仅仅比没有上下文管理器时多了个包裹两个变量的变量空间。

结论：两种生成变量的方法用tf.varialbe_scope()包裹，两变量在图中被该scope包裹（变量名随之有了该scope名的前缀）

case3:两种生成变量的方法用tf.name_scope()包裹

import tensorflow as tf
# 上下文管理器：tf.name_scope        上下文管理器：含有__enter__，__exit__方法的class
with tf.name_scope("foo"):
    v1 = tf.get_variable("var1", [1])
    v2 = tf.Variable(1, name='var2')

print(v1.name)  # var1:0
print(v2.name)  # foo/var2:0

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter("logs", sess.graph)  # 文件写在该.py文件同级logs文件夹下,用  tensorboard --logdir=.  即可

结论：两种生成变量的方法用tf.name_scope()包裹时，用tf.Variable()生成的变量同case2，但用tf.get_variable()生成的变量却独立出来，与该scope没关系