当神经网络的结构非常复杂，参数非常多时，这时就需要一个非常好的方式来传递和管理神经网络中的参数。TensorFlow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递。
TensorFlow种通过变量名称获取变量的机制主要是通过 tf.get_variable 和 tf.variable_scope 函数来实现的，下面分别介绍下。
我们大家都知道TensorFlow普通的方法来创建一个变量是通过 tf.Variable 函数。除了 tf.Variable 函数，TensorFlow 还提供了 tf.get_variable 来创建或者获取变量，在创建变量时，这两个的功能是基本等价的，可以看下面一个例子：
这里顺便通过下表介绍一下TensorFlow种变量7种初始化函数的功能和主要参数：
注意：虽然创建变量时，这两个功能是基本等价的，但是 假如这个变量名为“v”的变量已经存在，这两个功能是不等价的。
下面详细讲解下如果碰到上面这种情况的区别：
对于 tf.Variable 函数，变量名称是一个可选的参数，遇到上面的情况并不会报错而是会自己处理，可以通过下面代码实际感受一下：
import tensorflow as tf a = tf.Variable(3,name="x") b = tf.Variable(1,name="x") print a.name+"\n"+b.name #最终输出为： #x:0 #x_1:0但是对于 tf.get_variable 函数，变量名称是一个必填的参数。如果已经有同名的参数（创建失败），那么这个程序就会报错。这样通过使用 tf.get_variable 函数就可以避免无意识的变量复用造成的错误。
如果需要通过 tf.get_variable 获取一个已经创建的变量，需要通过 tf.variable_scope函数来生成一个上下文管理器，使用方法和注释可见下面这段代码：
当 tf.variable_scope 函数使用参数 reuse=True 生成上下文管理器时，这个上下文管理器所有的 tf.get_variable 函数回直接获取已创建的变量。如果变量不存在， tf.get_variable 函数会报错。 如果 tf.variable_scope 函数使用参数 reuse=None 或者 reuse=False 创建上下文管理器， tf.get_variable 操作将创建新的变量，如果同名变量已经存在，则 tf.get_variable 报错。
下面看一下 tf.variable_scope 函数的嵌套用法和注释：
以下代码展示了如何通过 tf.variable_scope 来管理变量的名称：
