TF之RNN：TF的RNN中的常用的两种定义scope的方式get_variable和Variable

TF之RNN：TF的RNN中的常用的两种定义scope的方式get_variable和Variable

目录

输出结果

代码设计

输出结果

代码设计

 tensorflow中的两种定义scope(命名变量)的方式tf.get_variable和tf.Variable。Tensorflow当中有两种途径生成变量 variable
 
import tensorflow as tf
 
T1法  tf.name_scope()
with tf.name_scope("a_name_scope"):
    initializer = tf.constant_initializer(value=1)  定义常量
    var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32, initializer=initializer)  创建变量
    var2 = tf.Variable(name='var2', initial_value=[2], dtype=tf.float32)
    var21 = tf.Variable(name='var2', initial_value=[2.1], dtype=tf.float32)
    var22 = tf.Variable(name='var2', initial_value=[2.2], dtype=tf.float32)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    以下打印出每一种Variable的名字及其值
    print(var1.name)         var1:0
    print(sess.run(var1))    [ 1.]
    print(var2.name)         a_name_scope/var2:0
    print(sess.run(var2))    [ 2.]
    print(var21.name)        a_name_scope/var2_1:0
    print(sess.run(var21))   [ 2.0999999]
    print(var22.name)        a_name_scope/var2_2:0
    print(sess.run(var22))   [ 2.20000005]
使用 tf.Variable()定义的时候, 虽然 name都一样, 但是为了不重复变量名, Tensorflow输出的变量名并不是一样的. 
所以, 本质上 var2, var21, var22 并不是一样的变量.
而另一方面, 使用tf.get_variable()定义的变量不会被tf.name_scope()当中的名字所影响.
 

print('以下输出的是T2第二种方法') 
T2法  tf.variable_scope()
如果想要达到重复利用变量的效果, 我们就要使用 tf.variable_scope(), 并搭配 tf.get_variable() 这种方式产生和提取变量. 
不像 tf.Variable() 每次都会产生新的变量, tf.get_variable() 如果遇到了同样名字的变量时, 
它会单纯的提取这个同样名字的变量(避免产生新变量). 而在重复使用的时候, 一定要在代码中强调 scope.reuse_variables(), 
否则系统将会报错, 以为你只是单纯的不小心重复使用到了一个变量.
with tf.variable_scope("a_variable_scope") as scope:
    initializer = tf.constant_initializer(value=3)
    var3 = tf.get_variable(name='var3', shape=[1], dtype=tf.float32, initializer=initializer)
    scope.reuse_variables()
    var3_reuse = tf.get_variable(name='var3',)
    var4 = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)
    var4_reuse = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(var3.name)             a_variable_scope/var3:0
    print(sess.run(var3))        [ 3.]
    print(var3_reuse.name)       a_variable_scope/var3:0
    print(sess.run(var3_reuse))  [ 3.]
    print(var4.name)             a_variable_scope/var4:0
    print(sess.run(var4))        [ 4.]
    print(var4_reuse.name)       a_variable_scope/var4_1:0
    print(sess.run(var4_reuse))  [ 4.]