【tensorflow 学习】tf.get_variable()和tf.Variable()的区别

1. tf.Variable()

W = tf.Variable(<initial-value>, name=<optional-name>)

用于生成一个初始值为

initial-value

的变量。必须指定初始化值

2.tf.get_variable()

W = tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None,
regularizer=None, trainable=True, collections=None)

获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。

可以用各种初始化方法，不用明确指定值。

3.区别

推荐使用

tf.get_variable()

, 因为：

1. 初始化更方便

比如用xavier_initializer:

W = tf.get_variable("W", shape=[784, 256],
initializer=tf.contrib.layers.xavier_initializer())

2. 方便共享变量

因为

tf.get_variable()

会检查当前命名空间下是否存在同样name的变量，可以方便共享变量。而

tf.Variable

每次都会新建一个变量。

需要注意的是

tf.get_variable()

要配合

reuse

和

tf.variable_scope()

使用。

4. 举个栗子

4.1 首先介绍一下

tf.variable_scope()

.

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。为了解决这个问题，TensorFlow 提出了 tf.variable_scope 函数：它的主要作用是，在一个作用域 scope 内共享一些变量，举个简单的栗子：

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

简单来说就是给变量名前再加了个变量空间名。

4.2 对比

接下来看看怎么用

tf.get_variable()

实现共享变量：

with tf.variable_scope("one"):
a = tf.get_variable("v", [1]) #a.name == "one/v:0"
with tf.variable_scope("one"):
b = tf.get_variable("v", [1]) #创建两个名字一样的变量会报错 ValueError: Variable one/v already exists
with tf.variable_scope("one", reuse = True): #注意reuse的作用。
c = tf.get_variable("v", [1]) #c.name == "one/v:0" 成功共享，因为设置了reuse

assert a==c #Assertion is true, they refer to the same object.

然后看看如果用

tf.Variable()

会有什么效果：

with tf.variable_scope("two"):
d = tf.get_variable("v", [1]) #d.name == "two/v:0"
e = tf.Variable(1, name = "v", expected_shape = [1]) #e.name == "two/v_1:0"

assert d==e #AssertionError: they are different objects

可以看到，同样的命名空间（‘two’）和名字（v），但是d和e的值却不一样。

Reference:

1. https://stackoverflow.com/questions/37098546/difference-between-variable-and-get-variable-in-tensorflow

2. https://www.tensorflow.org/versions/r1.2/api_docs/python/tf/variable_scope

3. http://blog.csdn.net/u013645510/article/details/53769689