TensorFlow共享变量

定义变量的两种方式：

tf.Variable()      

tf.get_Variable()      

import tensorflow as tf
var1 = tf.Variable(1., name='first_var')
print('I am var1: ', var1.name)
var1 = tf.Variable(2., name='first_var')
print('I am var1 too: ', var1.name)
var2 = tf.Variable(3.)
print('I am var2: ', var2.name)
var2 = tf.Variable(4.)
print('I am var2 too: ', var2.name)
# I am var1:  first_var:0
# I am var1 too:  first_var_1:0
# I am var2:  Variable:0
# I am var2 too:  Variable_1:0      

看到上面的测试代码，当使用 tf.Variable() 定义变量时，变量是可以重名的，只是会自动修改其名字，不指定名字时，系统自动分配。

tf.get_variable()中形参 name 必须指定
get_var1 = tf.get_variable(name='gv', shape=[])
print('I am get_var1: ', get_var1.name)
# get_var1 = tf.get_variable(name='gv', shape=[])
# print('I am get_var1 too, but I will cause a error: ', get_var1.name)
# I am get_var1:  gv:0
# Traceback (most recent call last):
# ValueError: Variable gv already exists, disallowed. Did you mean to set reuse=True
# or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:
#     get_var1 = tf.get_variable(name='gv', shape=[])      

当使用 tf.get_Variable() 定义变量时，name 必须指定，而且不能重复，不然会报错

get_variable(name,shape=None, dtype=None, initializer=None, regularizer=None, trainable=True,

                 collections=None, caching_device=None, partitioner=None, validate_shape=True,

                 use_resource=None, custom_getter=None, constraint=None)

get_variable值的初始化函数

函数	描述
tf.constant_initializer(value)	将变量初始化为给定的常量,初始化一切所提供的值
tf.random_normal_initializer(mean,stdd ev)	将变量初始化为满足正太分布的随机值，主要参数（正太分布的均值和标准差），用所给的均值和标准差初始化均匀分布
tf.truncated_normal_initializer(mean,stddev,seed,dtype)	将变量初始化为满足正太分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机
tf.random_uniform_initializer(a,b,seed,dtype)	从a到b均匀初始化，将变量初始化为满足平均分布的随机值，主要参数（最大值，最小值）
tf.uniform_unit_scaling_initializer(factor,seed,dtype)	将变量初始化为满足平均分布但不影响输出数量级的随机值
f.zeros_initializer()	将变量设置为全0；也可以简写为tf.Zeros()
tf.ones_initializer()	将变量设置为全1；可简写为tf.Ones()

tf.name_scope() 和 tf.variable_scope() 之间的区别

既然 tf.get_variable() 不允许重名，那怎么办？ 放心吧，总会有办法解决的。

要解决这个问题，就要引入 tf.variable_scope() ，隔离开 tf.get_variable() 定义的同名变量就可以了

看个例子

with tf.variable_scope('vs1'):
    get_var1 = tf.get_variable(name='getVar', shape=[])
with tf.variable_scope('vs2'):
    get_var2 = tf.get_variable(name='getVar', shape=[])
with tf.variable_scope('vs3'):
    get_var3 = tf.get_variable(name='getVar', shape=[])
    with tf.variable_scope('vs4'):
        get_var4 = tf.get_variable(name='getVar', shape=[])
print('get_var1', get_var1.name)  # get_var1 vs1/getVar:0
print('get_var2', get_var2.name)  # get_var2 vs2/getVar:0
print('get_var3', get_var3.name)  # get_var3 vs3/getVar:0
print('get_var4', get_var4.name)  # get_var4 vs3/vs4/getVar:0      

同名的变量在程序中共存，完美解决这个问题。

在看一些代码的时候, 经常会看到 tf.name_scope() 和 tf.variable_scope(), 那他们两个到底啥关系呢？

tf.name_scope()  主要是用来管理命名空间的，这样子让我们的整个模型更加有条理

tf.variable_scope() 的作用是为了实现变量共享，常和 tf.get_variable() 一起完成变量共享的功能。

with tf.name_scope('ns'):
    var1 = tf.Variable(1., tf.float32)
    with tf.variable_scope('vs'):
        var2 = tf.Variable(2., tf.float32)
        get_var = tf.get_variable(name='gv', shape=[])
print('var1', var1.name)  # var1 ns/Variable:0
print('var2', var2.name)  # var2 ns/vs/Variable:0
print('get_var', get_var.name)  # get_var vs/gv:0      

从上面的 get_var 的作用范围，可以看出 tf.get_variable() 不受 tf.name_scope() 的控制

下面就来看看共享变量怎么操作的。

tf.variable_scope() 中有一个 reuse 的参数，表示使用已经定义过的变量，当然如果使用的变量未定义，就会报错...

with tf.variable_scope('vs5'):
    get_var5 = tf.get_variable(name='getVar_reuse', shape=[])
with tf.variable_scope('vs5', reuse=True):
    get_var6 = tf.get_variable(name='getVar_reuse', shape=[])
    # get_var7 = tf.get_variable(name='getVar_unknown', shape=[])
print('get_var5', get_var5.name)  # get_var5 vs5/getVar_reuse:0
print('get_var6', get_var6.name)  # get_var6 vs5/getVar_reuse:0
# print('get_var7', get_var7.name)  # 报错      

tf.variable_scope() 和 tf.get_variable() 的初始化变量功能

with tf.variable_scope('vs6', initializer=tf.constant_initializer(1.)):
    get_var8 = tf.get_variable(name='getVar8', shape=[1])
    with tf.variable_scope('vs7'):
        get_var9 = tf.get_variable(name='getVar9', shape=[1])
        get_var10 = tf.get_variable(name='getVar10', shape=[1], initializer=tf.constant_initializer(2.))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print('get_var8 = ', get_var8.eval())
    print('get_var9 = ', get_var9.eval())
    print('get_var10 = ', get_var10.eval())

# get_var8 =  [1.]
# get_var9 =  [1.]
# get_var10 =  [2.]      

从上面的测试代码中可以看出 tf.variable_scope() 和 tf.get_variable() 都有初始化变量的功能，而且如果后者初始化的话，会覆盖前者的初始化值。

看看下面的一个例子，怎么使内层变量使用另一个作用于的变量

with tf.variable_scope('vs8') as vs8:
    get_var11 = tf.get_variable(name='getVar11', shape=[])

print('vs8: ', vs8.name)             # vs8: vs8
print('getVar11', get_var11.name)  # getVar11 vs8/getVar11:0

with tf.variable_scope('vs9'):
    get_var12 = tf.get_variable(name='getVar12', shape=[])
    with tf.variable_scope(vs8, reuse=True) as vs8_:
        get_var13 = tf.get_variable(name='getVar13', shape=[])
print('vs8_: ', vs8.name)              # vs8_:  vs8
print('getVar12', get_var12.name)      # getVar12 vs9/getVar12:0
print('getVar13', get_var13.name)      # getVar13 vs8/getVar13:0      

这样 vs9 空间的就可以使用 vs8 中的变量了。

tf.name_scope() 使用空字符串将作用域返回到顶层

with tf.variable_scope('vs10'):
    get_var14 = tf.get_variable(name='getVar14', shape=[])
    with tf.variable_scope('vs11'):
        get_var15 = tf.get_variable(name='getVar15', shape=[])
        with tf.name_scope(''):
            get_var16 = tf.Variable(1., name='getVar16')
        with tf.variable_scope(''):
            get_var17 = tf.get_variable(name='getVar17', shape=[])
print('getVar14', get_var14.name)
print('getVar15', get_var15.name)
print('getVar16', get_var16.name)
print('getVar17', get_var17.name)
# getVar14 vs10/getVar14:0
# getVar15 vs10/vs11/getVar15:0
# getVar16 getVar16:0
# getVar17 vs10/vs11//getVar17:0   # 中间多个空层