本文主要讲述Tensorflow中的变量作用域及变量初始化。先来区分几个概念：
- tf.name_scope():为了更好地管理变量的命名空间而提出的。比如在 tensorboard 中，因为引入了 name_scope， 我们的 Graph 看起来才井然有序
- tf.variable_scope():通过 tf.get_variable()为变量名指定命名空间.
创建变量的三种方式：
- tf.placeholder() ：占位符。* trainable==False *
- tf.Variable() ：一般变量用这种方式定义。 * 可以选择 trainable 类型 *
- tf.get_variable() ：一般都是和 tf.variable_scope() 配合使用，从而实现变量共享的功能。 * 可以选择 trainable 类型 *
- 【注意：】tf.get_variable()和tf.Variable()不是一回事！！两个的区别有好几处：
①比如，tf.Variable()在定义的时候必须初始化，而tf.get_variable()定义的时候可以先不进行初始化操作。
②想要进行变量共享，必须使用tf.get_variable()实现，搭配命名空间，以及reuse关键字的使用，就可以实现变量的共享；而tf.Variable()每次都会生成一个新的变量。
获取变量的方式：
获取所有全局变量： var = tf.global_variables() #不仅包括训练变量，还包括不训练变量
获取所有训练变量：tf.trainable_variables()
已知某个训练参数的名称，想要获取它的值：sess.run(tf.get_default_graph().get_tensor_by_name(“conv1/b:0”))
变量作用域实例
主要用到的两个部分：
- tf.get_variable(, , ): 通过所给的名字创建或是返回一个变量.
- tf.variable_scope(<scope_name>): 通过 tf.get_variable()为变量名指定命名空间.
直接上代码：
#tf.variable_scope()构建了一个名为conv的命名空间，
with tf.variable_scope(scope or 'conv', reuse=reuse):
#构建了两个变量，这两个变量只在conv命名空间中起作用
#定义W，只声明了变量shape，还没有初始化，后面需要初始化了才能用
W = tf.get_variable("W", shape = [3,3,16,32])
#trainable=False表示b是一个不可训练变量，而且在定义的时候直接用常数b对其进行了初始化，
b = tf.get_variable("b", b.shape, trainable=False, initializer=tf.constant_initializer(b))
参考教程：
http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/variable_scope.html
https://blog.csdn.net/Jerr__y/article/details/70809528
变量的初始化操作
总结了以下几种方式：
1.在定义的时候直接初始化，比如
b = tf.get_variable("b", b.shape, trainable=False, initializer=tf.constant_initializer(b))
2.在会话中使用sess.run()进行初始化，比如
sess.run(tf.global_variables_initializer()) # 初始化全局变量
sess.run(tf.local_variables_initializer()) # 初始化本地变量
3.如果只想要初始化一部分指定变量，使用：
sess.run(tf.variables_initializer(var_list))
其中，var_list是需要初始化的变量列表。