最近在使用tf.variable_scope()对参数进行空间的划分，结果在最后保存为pb文件时，发现scope名字中莫名地被自动添加了"_1"、"_2"等内容，如下代码所示
with tf.variable_scope('test'):
p1 = tf.placeholder(tf.float32, shape=(3,3), name='p1') #output: test/p1
v1 = tf.get_variable('v1', shape=(3,3), name='v1') #output: test/v1
with tf.variable_scope('test'):
p2 = tf.placeholder(tf.float32, shape=(3,3), name='p2') #output: test_1/p2
v2 = tf.get_variable('v2', shape=(3,3), name='v2') #output: test/v2经查证，这是tf开发人员有意而为之，不是bug！
在经过一番折腾之后，发现tf.name_scope()也会有这种类似的意外：
with tf.name_scope('test'):
p1 = tf.placeholder(tf.float32, shape=(3,3), name='p1') #output: test/p1
with tf.name_scope('test'):
p2 = tf.placeholder(tf.float32, shape=(3,3), name='p2') #output: test_1/p2综合上面tf.variable_scope()和tf.name_scope()的结果，貌似对ops而言二者效果一样。在查阅tf源码的VariableScope类之后发现，该类有一个属性为original_name_scope，返回的值是传递给name_scope的值，猜测tf.variable_scope()在作用于ops时会调用tf.name_scope()。
基于这个推测，上面两端代码的结果也就能够理解了。那么为什么name_scope的名字不能重复呢？我的理解是：对于ops来说不涉及需不需要reuse的问题，所以系统自动加上"_1"的后缀。而对于variable来说，有可能会需要同一空间中该变量的值，所以名字需要一致。