tensorflow学习之路(2-2):tf.variable_scope(),tf.name_scope(),tf.get_variable()的认识（补充）

在tensorflow学习之路(2-1):tf.variable_scope(),tf.name_scope(),tf.get_variable()的认识这篇中，并没有对他们有一个很好的认识，仅仅介绍了他们的使用。而在这篇文章中，将会重新从整体上去理解他们，算是对上篇的一个更好的总结吧。

---

简要概括：我们可以通过tf.Variable()来新建变量，但是，在tensorflow程序中，我们又需要共享变量（share variables），于是，就有了tf.get_variable()(新建变量或者取已经存在的变量)。但是，因为一般变量命名比较短，那么，此时，我们就需要类似目录工作一样的东西来管理变量命名，于是，就有了tf.variable_scope()，同时，设置reuse标志，就可以来决定tf.get_variable()的工作方式（新建变量或者取得已经存在变量）。此外，在tensorflow中，还存在ops操作，而tf.variable_scope()可以同时对variable和ops的命名有影响，即加前缀；而tf.name_scope()只能对ops的命名加前缀。

---

---

先介绍背景：
在简单的模型中，我们可以创建多个variable。而在复杂的模型中，我们往往需要共享大量的variables,且需要在同一位置初始化他们。因此，出现了tf.variable_scope()和tf.get_variable()。

一般可以通过使用dictionary也可以达到共享变量的目的，但是，其在代码外创建变量打破了封装原则，同时，当代码改变时，需要创建更多或者更少或者新建变量。

---

在tensorflow中的Variable Scope Mechanism 主要包含了下面两个函数：

• tf.get_variable()
• tf.variable_scope()

tf.get_variable()主要用于得到或者新建一个variable变量，而不是直接调用tf.Variable().于tf.Variable()之间使用值初始化变量不同，tf.get_variable()主要是通过initializer这个function来初始化新建变量的。此外，variable变量名字较短，容易重复，所以，就需要tf.variable_scope()为变量创建一个命名空间。例如，cnn的每一层中，均有weights和biases这两个变量，通过tf.variable_scope()为每一卷积层命名，就可以防止变量name重复。

---

Variable Scope是如何工作的呢？

---

首先，理解tf.get_variable()是如何工作的。一般通过下面方式调用tf.get_variable():

v = tf.get_variable(name, shape, dtype, initializer)

---

而tf.get_variable()是新建变量还是取得已存在变量取决于调用它的scope.

情况1：若scope设置为新建变量，例如，tf.get_variable_scope().reuse == False.(说明：tf.get_variable_scope()得到当前的scope)