TensorFlow的变量管理：变量作用域机制

在深度学习中，你可能需要用到大量的变量集，而且这些变量集可能在多处都要用到。例如，训练模型时，训练参数如权重（weights）、偏置（biases）等已经定下来，要拿到验证集去验证，我们自然希望这些参数是同一组。以往写简单的程序，可能使用全局限量就可以了，但在深度学习中，这显然是不行的，一方面不便管理，另外这样一来代码的封装性受到极大影响。因此，TensorFlow提供了一种变量管理方法：变量作用域机制，以此解决上面出现的问题。

TensorFlow的变量作用域机制依赖于以下两个方法，官方文档中定义如下：

[plain]  view plain  copy

 

1. tf.get_variable(name, shape, initializer): Creates or returns a variable with a given name.建立或返回一个给定名称的变量  
2. tf.variable_scope( scope_name): Manages namespaces for names passed to tf.get_variable(). 管理传递给tf.get_variable()的变量名组成的命名空间  

先说说tf.get_variable()，这个方法在建立新的变量时与tf.Variable()完全相同。它的特殊之处在于，他还会搜索是否有同名的变量。创建变量用法如下：

[plain]  view plain  copy

 

1. with tf.variable_scope("foo"):  
2.     with tf.variable_scope("bar"):  
3.         v = tf.get_variable("v", [1])  
4.         assert v.name == "foo/bar/v:0"  

而tf.variable_scope(scope_name),它会管理在名为scope_name的域（scope）下传递给tf.get_variable的所有变量名（组成了一个变量空间），根据规则确定这些变量是否进行复用。这个方法最重要的参数是reuse，有None,tf.AUTO_REUSE与True三个选项。具体用法如下：

1. reuse的默认选项是None,此时会继承父scope的reuse标志。
2. 自动复用（设置reuse为tf.AUTO_REUSE）,如果变量存在则复用，不存在则创建。这是最安全的用法，在使用新推出的EagerMode时reuse将被强制为tf.AUTO_REUSE选项。用法如下：
   
   [plain]  view plain  copy

    

   1. def foo():  
   2.   with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):  
   3.     v = tf.get_variable("v", [1])  
   4.   return v  
   5.   
   6. v1 = foo()  # Creates v.  
   7. v2 = foo()  # Gets the same, existing v.  
   8. assert v1 == v2  
3. 复用（设置reuse=True）：
   
   [plain]  view plain  copy

    

   1. with tf.variable_scope("foo"):  
   2.   v = tf.get_variable("v", [1])  
   3. with tf.variable_scope("foo", reuse=True):  
   4.   v1 = tf.get_variable("v", [1])  
   5. assert v1 == v  
4. 捕获某一域并设置复用（scope.reuse_variables()）：
   
   [plain]  view plain  copy

    

   1. with tf.variable_scope("foo") as scope:  
   2.   v = tf.get_variable("v", [1])  
   3.   scope.reuse_variables()  
   4.   v1 = tf.get_variable("v", [1])  
   5. assert v1 == v  
   
   1）非复用的scope下再次定义已存在的变量；或2）定义了复用但无法找到已定义的变量，TensorFlow都会抛出错误，具体如下：

[plain]  view plain  copy

 

1. with tf.variable_scope("foo"):  
2.     v = tf.get_variable("v", [1])  
3.     v1 = tf.get_variable("v", [1])  
4.     #  Raises ValueError("... v already exists ...").  
5.   
6.   
7. with tf.variable_scope("foo", reuse=True):  
8.     v = tf.get_variable("v", [1])  
9.     #  Raises ValueError("... v does not exists ...").  

 

转自： https://blog.csdn.net/zbgjhy88/article/details/78960388