当训练复杂模型时，可能经常需要共享大量的变量。例如，使用测试集来测试已训练好的模型性能表现时，需要共享已训练好模型的变量，如全连接层的权值。
而且我们还会遇到以下问题：
比如，我们创建了一个简单的图像滤波器模型。如果只使用tf.Variable，那么我们的模型可能如下
def my_image_filter(input_images):
conv1_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),
name="conv1_weights")
conv1_biases = tf.Variable(tf.zeros([32]), name="conv1_biases")
conv1 = tf.nn.conv2d(input_images, conv1_weights,
strides=[1, 1, 1, 1], padding='SAME')
relu1 = tf.nn.relu(conv1 + conv1_biases)
conv2_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),
name="conv2_weights")
conv2_biases = tf.Variable(tf.zeros([32]), name="conv2_biases")
conv2 = tf.nn.conv2d(relu1, conv2_weights,
strides=[1, 1, 1, 1], padding='SAME')
return tf.nn.relu(conv2 + conv2_biases)
这个模型中有4个不同的变量：conv1_weights, conv1_biases, conv2_weights, and conv2_biases
当我们想再次使用这个模型的时候出现问题了：在两个不同的图片image1和image2上应用以上模型，当然，我们想这两张图片被相同参数的同一个滤波器处理。如果我们两次调用my_image_filter()的话，则会创建两个不同的变量集，每个变量集中各4个变量。
# First call creates one set of 4 variables. result1 = my_image_filter(image1) # Another set of 4 variables is created in the second call. result2 = my_image_filter(image2)
共享变量的一种常见方法是在单独的代码段中创建它们，并将它们传递给使用它们的函数。 例如通过使用字典：
variables_dict = {
"conv1_weights": tf.Variable(tf.random_normal([5, 5, 32, 32]),
name="conv1_weights")
"conv1_biases": tf.Variable(tf.zeros([32]), name="conv1_biases")
... etc. ...
}
def my_image_filter(input_images, variables_dict):
conv1 = tf.nn.conv2d(input_images, variables_dict["conv1_weights"],
strides=[1, 1, 1, 1], padding='SAME')
relu1 = tf.nn.relu(conv1 + variables_dict["conv1_biases"])
conv2 = tf.nn.conv2d(relu1, variables_dict["conv2_weights"],
strides=[1, 1, 1, 1], padding='SAME')
return tf.nn.relu(conv2 + variables_dict["conv2_biases"])
# Both calls to my_image_filter() now use the same variables
result1 = my_image_filter(image1, variables_dict)
result2 = my_image_filter(image2, variables_dict)
但是像上面这样在代码外面创建变量很方便， 破坏了封装
- 构建图形的代码必须记录要创建的变量的名称，类型和形状。
- 代码更改时，调用者可能必须创建更多或更少或不同的变量。
解决问题的一种方法是使用类创建一个模型，其中类负责管理所需的变量。 一个较简便的解决方案是，使用TensorFlow提供variable scope机制，通过这个机制，可以让我们在构建模型时轻松共享命名变量。
如何实现共享变量
tensorflow中的变量共享是通过 tf.variab_scope() 和 tf.get_variable() 来实现的
- tf.variable_scope(<scope_name>): 管理传递给tf.get_variable（）的names的命名空间
- tf.get_variable(<name>, <shape>, <initializer>): 创建或返回一个给定名字的变量
为了看下tf.get_variable()如何解决以上问题，我们在一个单独的函数里重构创建一个卷积的代码，并命名为conv_relu：
def conv_relu(input, kernel_shape, bias_shape):
# Create variable named "weights".
weights = tf.get_variable("weights", kernel_shape,
initializer=tf.random_normal_initializer())
# Create variable named "biases".
biases = tf.get_variable("biases", bias_shape,
initializer=tf.constant_initializer(0.0))
conv = tf.nn.conv2d(input, weights,
strides=[1, 1, 1, 1], padding='SAME')
return tf.nn.relu(conv + biases)
此这个函数使用“weights”和“biases”命名变量。 我们希望将它用于conv1和conv2，但变量需要具有不同的名称。 这就是tf.variable_scope（）发挥作用的地方：它为各变量分配命名空间。
def my_image_filter(input_images):
with tf.variable_scope("conv1"):
# Variables created here will be named "conv1/weights", "conv1/biases".
relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
with tf.variable_scope("conv2"):
# Variables created here will be named "conv2/weights", "conv2/biases".
return conv_relu(relu1, [5, 5, 32, 32], [32])
现在，我们来看下两次调用my_image_filter()会怎样：
result1 = my_image_filter(image1) result2 = my_image_filter(image2) # Raises ValueError(... conv1/weights already exists ...)
如你所见，tf.get_variable() 会检查已存在的变量是不是意外地共享。如果你想共享它们，你需要通过如下设置reuse_variables()来指定它。