tensorflow中共享变量 tf.get_variable 和命名空间 tf.variable_scope

tensorflow中有很多需要变量共享的场合，比如在多个GPU上训练网络时网络参数和训练数据就需要共享。

tf通过 tf.get_variable() 可以建立或者获取一个共享的变量。 tf.get_variable函数的作用从tf的注释里就可以看出来-- ‘Gets an existing variable with this name or create a new one’。

与 tf.get_variable 函数相对的还有一个 tf.Variable 函数，两者的区别是：

• tf.Variable定义变量的时候会自动检测命名冲突并自行处理，例如已经定义了一个名称是 ‘wg_1’的变量，再使用tf.Variable定义名称是‘wg_1’的变量，会自动把后一个变量的名称更改为‘wg_1_0’，实际相当于创建了两个变量，tf.Variable不可以创建共享变量。
• tf.get_variable定义变量的时候不会自动处理命名冲突，如果遇到重名的变量并且创建该变量时没有设置为共享变量，tf会直接报错。

变量可以共享之后还有一个问题就是当模型很大很复杂的时候，变量和操作的数量也比较庞大，为了方便对这些变量进行管理，维护条理清晰的graph结构，tf建立了一套共享机制，通过 变量作用域（命名空间，variable_scope）实现对变量的共享和管理。例如，cnn的每一层中，均有weights和biases这两个变量，通过tf.variable_scope()为每一卷积层命名，就可以防止变量命名重复。

与 tf.variable_scope相对的还有一个 tf.name_scope 函数，两者的区别是：

• tf.name_scope 主要用于管理一个图（graph）里面的各种操作，返回的是一个以scope_name命名的context manager。一个graph会维护一个name_space的堆，每一个namespace下面可以定义各种op或者子namespace，实现一种层次化有条理的管理，避免各个op之间命名冲突。
• tf.variable_scope 一般与tf.name_scope()配合使用，用于管理一个图（graph）中变量的名字，避免变量之间的命名冲突，tf.variable_scope允许在一个variable_scope下面共享变量。

# coding: utf-8
import tensorflow as tf

# 定义的基本等价
v1 = tf.get_variable("v", shape=[1], initializer= tf.constant_initializer(1.0))
v2 = tf.Variable(tf.constant(1.0, shape=[1]), name="v")

with tf.variable_scope("abc"):
    v3=tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))

# 在变量作用域内定义变量，不同变量作用域内的变量命名可以相同
with tf.variable_scope("xyz"):
    v4=tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))

with tf.variable_scope("xyz", reuse=True):
    v5 = tf.get_variable("v")
    v6 = tf.get_variable("v",[1])

with tf.variable_scope("foo"):
    v7 = tf.get_variable("v", [1])

    # 通过 tf.get_variable_scope().reuse_variables() 设置以下的变量是共享变量;
    # 如果不加，v8的定义会由于重名而报错
    tf.get_variable_scope().reuse_variables()
    v8 = tf.get_variable("v", [1])
assert v7 is v8

with tf.variable_scope("foo_1") as foo_scope:
    v = tf.get_variable("v", [1])
with tf.variable_scope(foo_scope):
    w = tf.get_variable("w", [1])
with tf.variable_scope(foo_scope, reuse=True):
    v1 = tf.get_variable("v", [1])
    w1 = tf.get_variable("w", [1])
assert v1 is v
assert w1 is w

with tf.variable_scope("foo1"):
    with tf.name_scope("bar1"):
        v_1 = tf.get_variable("v", [1])
        x_1 = 1.0 + v_1
assert v_1.name == "foo1/v:0"
assert x_1.op.name == "foo1/bar1/add"

print v1==v2  # False
print v3==v4  # False 不同变量作用域中
print v3.name  # abc/v:0
print v4==v5  # 输出为True
print v5==v6  # True