tf.name_scope用法

tf.name_scope：用于定义Python op的上下文管理器。

tf.name_scope(
    name
)

此上下文管理器将推送名称范围，这将使在其中添加的所有操作的名称带有前缀。

例如，定义一个新的Python op my_op：

def my_op(a, b, c, name=None):
  with tf.name_scope("MyOp") as scope:
    a = tf.convert_to_tensor(a, name="a")
    b = tf.convert_to_tensor(b, name="b")
    c = tf.convert_to_tensor(c, name="c")
    # Define some computation that uses `a`, `b`, and `c`.
    return foo_op(..., name=scope)

在执行时，张量a，b，c，将有名字MyOp/a，MyOp/b和MyOp/c。

在tf.function范围内，如果范围（scope）名称已经存在，则通过追加_n将名称唯一。例如，my_op第二次调用将生成MyOp_1/a，等等。

Args：

name：在名称范围内创建的所有名称上使用的前缀。

Raises：

ValueError：如果name不是字符串。

Attributes：

name：在名称范围内创建的所有名称上使用的前缀。

注意：

tf.variable_scope可以让变量有相同的命名方式，包括tf.get_variable变量和tf.Variable变量

tf.name_scope可以让变量有相同的命名方式，只限于tf.Variable变量

import tensorflow as tf

with tf.variable_scope('V1'):
    a1 = tf.get_variable(name='a11', shape=[1], initializer=tf.constant_initializer(1))
    a2 = tf.Variable(tf.random_normal(shape=[2, 3], mean=0, stddev=1), name='a21')
with tf.variable_scope('V2'):
    a3 = tf.get_variable(name='a12', shape=[1], initializer=tf.constant_initializer(1))
    a4 = tf.Variable(tf.random_normal(shape=[2, 3], mean=0, stddev=1), name='a22')

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    print(a1.name)
    print(a2.name)
    print(a3.name)
    print(a4.name)

# 输出结果：
# V1/a11:0
# V1/a21:0
# V2/a12:0
# V2/a22:0

import tensorflow as tf

with tf.name_scope('V1'):
    a1 = tf.get_variable(name='a11', shape=[1], initializer=tf.constant_initializer(1))
    a2 = tf.Variable(tf.random_normal(shape=[2, 3], mean=0, stddev=1), name='a21')
with tf.name_scope('V2'):
    a3 = tf.get_variable(name='a12', shape=[1], initializer=tf.constant_initializer(1))
    a4 = tf.Variable(tf.random_normal(shape=[2, 3], mean=0, stddev=1), name='a22')

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    print(a1.name)
    print(a2.name)
    print(a3.name)
    print(a4.name)

# 输出结果：
# a11:0
# V1/a21:0
# a12:0
# V2/a22:0