tf.variable_scope官方文档

Class variable_scope

定义于tensorflow/python/ops/variable_scope.py。

variable_scope是一个上下文管理器，在创建变量(variables)时使用。

这个上下文管理器有三个功能：

表明values来自于同一个graph

确保graph是默认graph

推出一个名称空间和变量空间

If

name_or_scope

is not None, it is used as is. If

scope

is None, the

default_name

is used. 不懂

如果在同一个变量范围(scope)中，有相同的变量名，则tensorflow会自动在变量名上加后缀

_N

。

在你不小心创建或共享变量的时候，变量范围(variable scope)可以提供保护性检查。下面是一个创建新变量的例子：

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

下面是一个使用

AUTO_REUSE

共享变量的例子：

def foo():
with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
v = tf.get_variable("v", [1])
return v

v1 = foo()  # Create v.
v2 = foo()  # Gets the same, exiting v.
assert v1 == v2

下面是一个使用

reuse=True

共享变量的例子：

with tf.variable_scope("foo"):
v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
v1 = tf.get_variable("v", [1])
assert v1 == v

另一种共享变量的例子，直接对scope进行操作：

with tf.variable_scope("foo") as scope:
v = tf.get_variable("v", [1])
scope.reuse_variables()
v1 = tf.get_variable("v", [1])
assert v1 == v

为了避免共享变量时发生意外，我们可以设置异常机制。当在none-reusing scope中创建同名变量时，抛出异常。例子：

with tf.variable_scope("foo"):
v = tf.get_variable("v", [1])
v1 = tf.get_variable("v", [1])
# Raises ValueError("... v already exists ...")

相应的，在reuse mode中，如果我们创建的变量不存在，也抛出异常。例子：

with tf.variable_scope("foo", reuse=True):
v = tf.get_variable("v", [1])
# Raises ValueError("... v does not exists ...")

PS:

reuse

状态是自动继承的：如果我们创建一个reusing scope，那么它所有的sub-scope都是resue的。

总结

variable_scope是一个名称空间，名称空间在编译时，作为变量名的前缀可以自动保证变量名的唯一性。同时variable_scope提供了reuse机制，使我们可以重用定义过的变量。