我们在写神经网络的时候，往往需要传递很多参数。而且当网络结构更复杂，参数更多的时候，在一个函数中写若干要传递的参数往往不现实，如
def inference(w1,w2,w3,w4,w5.....)
因此，我们需要有一个更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传递。这种机制主要通过tf.get_variable和tf.variable_scope函数实现。
#下面两个定义是等价的
v = tf.get_variable("v",shape = [1],initializer = tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(1.0,shape=[1]),name = 'v')
以上代码可以看出，通过tf.Variable和tf.get_variable函数创建变量的过程基本是一样的。
tensorflow中提供的initializer函数和随机数生成函数以及常量生产恒函数有着一一对应关系，如tf.constant对应tf.constant_initializer
上述两行代码的区别在于tf.get_variable必须指定变量名称，而tf.Variable变量名称是可选的。tf.get_variable会根据这个名字去创建或者获取变量。
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，并明确指定在这个上下文管理器中，tf.get_variable将直接获取已经生成的变量（reuse=True）
关于reuse的说明：当在上下文管理器中指定reuse的值时，按照指定的来，默认的reuse=False。如果没有指定，并且存在上一层上下文管理器，那么本层的reuse就跟着上层的reuse的值，例如：
with tf.variable_scope('x',reuse=True): #reuse=True
with tf.variable_scope('y'): #reuse=True
pass
with tf.variable_scope('z') #reuse=FALSE
pass
另外，当reuse=True时，这个上下文管理器内所有的tf.get_variable函数会直接获取已经创建的变量，如果变量不存在，则会报错。反之，当reuse=False时，tf.get_variable会创建新的变量，如果同名的变量已经存在，则会报错。
下面的代码显示的说明了这一过程：
v1 = tf.get_variable('v',[1]) #注意，默认初始化值为0
print(v1.name) #v
with tf.variable_scope('foo'):
v2 = tf.get_variable('v',[1])
print(v2.name) #foo/v:0
with tf.variable_scope('foo'):
with tf.variable_scope('bar'):
v3 = tf.get_variable('v',[1])
print(v3.name) #foo/bar/v:0
v4 = tf.get_variable('v1',[1])
print(v4.name) #foo/v1:0
with tf.variable('',reuse = True):
v5 = tf.get_variable('foo/bar/v',[1]) #通过名称获取变量
print(v5==v3) #True
v6 = tf.get_variable('foo/v1',[1])
print(v6==v4) #True
至此，关于变量管理的tf.get_variable和tf.variable_scope已经阐述完了。
另外，在多说一句：
tf.global_variables()函数维护了一个列表，这个列表包含了所有的变量。