tensorflow中使用变量作用域及tf.variable(),tf,getvariable()与tf.variable_scope()的用法

一 .tf.variable() 在模型中每次调用都会重建变量，使其存储相同变量而消耗内存，如：

def repeat_value():

　　weight=tf.variable(tf.random_normal([5,5,6]),name='weight')

　　return weight

如果多次调用函数如：

result1=repeat_value()

result2=repeat_value() # 重复调用

将会重复创建一份变量，却保存相同模型参数。若使用字典可以解决此类问题，却破坏模型封装性（有关字典解决此问题，可留言回复）。

二 . tf.get_variable()与tf.variable_scope()方法可以解决上面问题，其中前者负责创建或获取指定名称的变量，后者负责传入tf.get_variable（）方法的变量名称的名字空间。

def a(input,kernel_shape):
    w=tf.get_variable('w',kernel_shape,initializer=tf.random_normal())  #创建获取名叫w的变量
    conv=tf.nn.conv2d(input,w,strides=[1,1,1,1],padding='SAME')
    return conv

def  b(img):
    with tf.variable_scope("conv1"): #创建conv1/w变量
        r1=a(img,[5,5,32,32])   
    with tf.variable_scope("conv2"):  #创建conv2/w变量
        r2=a(r1,[5,5,32,32])
    return r2
# with上下文中定义的变量都会加上tf.variable_scope方法中定义的前缀，这样能够通过不同的变量作用域区分同类网络的不同参数。
# 但第二次调用函数b（），tf.get_variable()就会抛出变量已存在，无法解决复用问题。因此，需要加上reuse=True，如下：

def  b(img):
    with tf.variable_scope("conv1",reuse=True): #创建conv1/w变量
        r1=a(img,[5,5,32,32])   
    with tf.variable_scope("conv2",reuse=True):  #创建conv2/w变量
        r2=a(r1,[5,5,32,32])
    return r2
# 更改后可以反复调用了。

三.共享作用域下的初始化（类似c++类中的继承）：

with tf.variable_scope("conv1",initializer=tf.constant_initializer(0.8)): #创建conv1/w变量
    w=tf.get_variable('w',[1])  #此处使用外围的initializer=tf.constant_initializer(0.8)初始化
    w1 = tf.get_variable('w1', [1,2], initializer=tf.random_normal())  # 此处覆盖initializer=tf.constant_initializer(0.8)初始化，
    # 使用本身initializer=tf.random_normal()初始化。

    with tf.variable_scope("conv2"):  #嵌套conv1下的作用域
        w2 = tf.get_variable('w2', [1,2]) #此处使用外围的initializer=tf.constant_initializer(0.8)初始化（类似继承）
        w1 = tf.get_variable('w1', [1,2], tf.constant_initializer(0.4))  # 此处覆盖initializer=tf.constant_initializer(0.8)初始化，
        # 使用本身tf.constant_initializer(0.4)初始化。