tf.Variable()与tf.get_variable()与不同之处

tf.Variable()可以定义名字相同的变量，

tf.Variable函数会返回一个variable，如果给出的name已经存在，会自动修改name，生成个新的

比如：下面定义两个名字同为a1的变量，但是，系统为自动给重新分配变量名

import tensorflow as tfa1 = tf.Variable(1, name='a1')   # 定义a1变量a2 = tf.Variable(1, name='a1')   # 定义a2变量print a1.name    # 输出变量名：a1:0print a2.name    # 输出变量名：a1_1:0init = tf.global_variables_initializer()  #输出数据时必须要全局初始化  with tf.Session() as sess:      sess.run(init)      print sess.run(a1)    # 输出值：1    print sess.run(a2)    # 输出值：1

tf.get_variable()不可以定义名字相同的变量，

tf.get_variable函数拥有一个变量检查机制，会检测已经存在的变量是否设置为共享变量，如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。
不同的变量之间不能有相同的名字，除非你定义了variable_scope，这样才可以有相同的名字。

a3 = tf.get_variable(name='a3', initializer=2) a4 = tf.get_variable(name='a3', initializer=2) print a3.name     print a4.name     init = tf.global_variables_initializer()  #输出数据时必须要全局初始化   with tf.Session() as sess:      sess.run(init)      print sess.run(a3)         print sess.run(a4)     

报错信息如下：

ValueError: Variable a3 already exists, disallowed. Did you mean to set reuse=True in VarScope? Originally defined at:
    a3 = tf.get_variable(name='a3', initializer=2)

tf.get_variable一般和tf.variable_scope配合使用，用于在同一个的变量域中共享同一个变量，

with tf.variable_scope('scope1') as scope1:    a1 = tf.Variable(1, name='w1')    print(a1.name)   # a1变量的名字：scope1/w1:0              a2 = tf.get_variable(name='a3', initializer=1.0)    print(a2.name)   # a2变量的名字：scope1/a3:0        tf.get_variable_scope().reuse_variables() # 或用 scope1.reuse_variables()        a3 = tf.get_variable(name='a3', initializer=2.0)    print(a3.name)   # a3变量的名字：scope1/a3:0    init = tf.global_variables_initializer()  #输出数据时必须要全局初始化    with tf.Session() as sess:    sess.run(init)     print sess.run(a1) # a1变量的值：1    print sess.run(a2) # a2变量的值：1.0    print sess.run(a3) # a3变量的值：1.0 a3使用a2的值

或在不同变量域中使用同名变量。

with tf.variable_scope("scope2") as scope1:    a2 = tf.get_variable(name='a3', initializer=1.0)with tf.variable_scope(scope1, reuse = True):    a3 = tf.get_variable(name='a3', initializer=2.0)print(a2.name) # scope2/a3:0print(a3.name) # scope2/a3:0 init = tf.global_variables_initializer()    with tf.Session() as sess:    sess.run(init)     print sess.run(a2) # a2变量的值：1.0    print sess.run(a3) # a3变量的值：1.0    a3使用scope2中的a2值

tf.Variable()

tf.get_variable() 不受tf.name_scope约束

import tensorflow as tfwith tf.name_scope("my_scope"):    v1 = tf.get_variable("a", [1], dtype=tf.float32)    v2 = tf.Variable(1, name="b", dtype=tf.float32)    mysum = tf.add(v1, v2)print(v1.name)      # a:0print(v2.name)      # my_scope/b:0print(mysum.name)   # my_scope/Add:0

tf.Variable()

tf.get_variable() 都 受tf.variable_scope约束

with tf.variable_scope("my_scope"):    v1 = tf.get_variable("a", [1], dtype=tf.float32)    v2 = tf.Variable(1, name="b", dtype=tf.float32)    mysum = tf.add(v1, v2)print(v1.name)      # my_scope/a:0print(v2.name)      # my_scope/b:0print(mysum.name)   # my_scope/Add:0