【译】Effective TensorFlow Chapter3——范围以及何时使用它们

本文翻译自：《Scopes and when to use them》，如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

TensorFlow中的变量和张量具有name属性，用于在符号图中标识它们。如果在创建变量或张量时未指定名称，TensorFlow会自动为您指定名称：

a = tf.constant(1)
print(a.name)  # prints "Const:0"

b = tf.Variable(1)
print(b.name)  # prints "Variable:0"
复制代码

您可以通过显式指定来覆盖默认名称：

a = tf.constant(1, name="a")
print(a.name)  # prints "a:0"

b = tf.Variable(1, name="b")
print(b.name)  # prints "b:0"
复制代码

TensorFlow引入了两个不同的上下文管理器来改变张量和变量的名称。第一个是tf.name_scope：

with tf.name_scope("scope"):
  a = tf.constant(1, name="a")
  print(a.name)  # prints "scope/a:0"

  b = tf.Variable(1, name="b")
  print(b.name)  # prints "scope/b:0"

  c = tf.get_variable(name="c", shape=[])
  print(c.name)  # prints "c:0"
复制代码

请注意，有两种方法可以在TensorFlow中定义新变量，一是创建tf.Variable对象或是调用tf.get_variable方法。使用新名称调用tf.get_variable会导致创建新变量，但如果存在具有相同名称的变量，则会引发ValueError异常，告诉我们不允许重新声明变量。

tf.name_scope影响使用tf.Variable创建的张量和变量的名称，但不影响使用tf.get_variable创建的变量。

与tf.name_scope不同，tf.variable_scope也修改了使用tf.get_variable创建的变量的名称：

with tf.variable_scope("scope"):
  a = tf.constant(1, name="a")
  print(a.name)  # prints "scope/a:0"

  b = tf.Variable(1, name="b")
  print(b.name)  # prints "scope/b:0"

  c = tf.get_variable(name="c", shape=[])
  print(c.name)  # prints "scope/c:0"
with tf.variable_scope("scope"):
  a1 = tf.get_variable(name="a", shape=[])
  a2 = tf.get_variable(name="a", shape=[])  # Disallowed
复制代码

但是，如果我们真的想要复用先前声明的变量呢？变量范围还提供了执行此操作的功能：

with tf.variable_scope("scope"):
  a1 = tf.get_variable(name="a", shape=[])
with tf.variable_scope("scope", reuse=True):
  a2 = tf.get_variable(name="a", shape=[])  # OK
复制代码

这在使用内置神经网络层时变得很方便：

with tf.variable_scope('my_scope'):
  features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
# Use the same convolution weights to process the second image:
with tf.variable_scope('my_scope', reuse=True):
  features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
复制代码

或者，您可以将reuse属性设置为tf.AUTO_REUSE，这种操作告诉TensorFlow如果不存在具有相同名称的变量，就创建新变量，否则就复用：

with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
  features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
  
with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
  features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
复制代码

如果你想共享很多变量，跟踪定义新变量以及复用这些变量的时候可能很麻烦且容易出错。tf.AUTO_REUSE则简化了此任务，但增加了共享不应共享的变量的风险。TensorFlow模板是解决这一问题的另一种方法，它没有这种风险：

conv3x32 = tf.make_template("conv3x32", lambda x: tf.layers.conv2d(x, 32, 3))
features1 = conv3x32(image1)
features2 = conv3x32(image2)  # Will reuse the convolution weights.
复制代码

您可以将任何功能转换为TensorFlow模板。在第一次调用模板时，在函数内部定义的变量会被声明，并且在连续调用中，它们将被自动复用。

【译】Effective TensorFlow Chapter3——范围以及何时使用它们

猜你喜欢