TensorFlow笔记之变量管理

TenssorFlow中通过变量名称获取变量，主要通过两个函数：tf.get_variable和tf.variable_scope

• tf.get_variable
  TensorFlow在创建变量时，它和tf.Variable的功能基本等价的。
  例如：

v = tf.get_variable("v", shape = [1], initializer = tf.constant_initializer(1.0))v = tf.Variable(tf.constant(1.0, shape = [1], name = "v")

　　tf.get_variable和tf.Variable最大的区别，在于指定变量名称的参数。对于前者，变量名称是一个必填的参数，它根据这个名字去创建或获取变量；对于后者，变量名称是一个选填的参数，用name = "v"的形式给出。

• tf.variable_scope
  如果想用tf.get_variable来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，并且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，例如：

#在生成上下文管理器时，将参数reuse设置为True。这样tf.get_variable函数将直接获取已经声明的变量。如果不设置reuse，将报错。with tf.variable_scope("foo", reuse = True):    v1 = tf.get_variable("v", [1])

另外tf.variable_scope可以使用嵌套，另外，在命名空间内创建的变量名称将会带上这个命名空间名作为前缀。例如：

with tf.variable_scope("foo"):    v2 = tf.get_variable("v", [1])    print(v2.name)       #输出foo/v:0

• 总结：
  

　　在使用tf.variable_scope和tf.get_variable后，就不再需要将所有的变量作为参数传递到不同的函数中，可以理解为全局变量了。当第一次需要创建的时候，令reuse= False；创建完之后，可以令reuse= True进行训练更新。当参数很多时候，可以大大提高效率。