变量作用域、名称作用域

一、变量作用域

 

import tensorflow as tf
import os
# 屏蔽info
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2'

# 方式一：我们之前的方式；变量数量会比较多的情况
def my_fun(x):
    w1 = tf.Variable(initial_value=tf.random_normal(shape=[2]))[0]
    b1 = tf.Variable(tf.random_normal(shape=[1]))[0]
    r1 = w1 * x + b1

    w2 = tf.Variable(initial_value=tf.random_normal(shape=[2]))[0]
    b2 = tf.Variable(tf.random_normal(shape=[1]))[0]
    r2 = w2 * r1 + b2
    return w1, b1, r1, w2, b2, r2

x = tf.constant(3, name='x', dtype=tf.float32)
result = my_fun(x)

# 构建变量初始化
init_op = tf.global_variables_initializer()

# 执行阶段：
with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    sess.run(init_op)
    print(sess.run(result))

# 方式二：通过变量作用域，共享变量
def my_fun2(x):
    # 参数initializer：初始化器
    w = tf.get_variable(name='w', shape=[2], initializer=tf.random_normal_initializer())[0]
    b = tf.get_variable(name='b', shape=[1], initializer=tf.random_normal_initializer())[0]
    r = w * x + b
    return w, b, r

def func(x):
    r1 = my_fun2(x)
    r2 = my_fun2(r1[2])
    return r1, r2

result = func(x)

# 构建变量初始化
init_op = tf.global_variables_initializer()

# 执行阶段：
with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    sess.run(init_op)
    print(sess.run(result))

 

执行方式二，抛出异常：变量w, b, r已经定义，不允许重复定义

怎么解决？为变量w, b, r指定变量作用域，在func()函数中指定即可：

def func(x):
    with tf.variable_scope(name_or_scope='op1'):
        r1 = my_fun2(x)
    with tf.variable_scope(name_or_scope='op2'):
        r2 = my_fun2(r1[2])
    return r1, r2

 

 

假如，现在有两个x，需要执行两次func()，得到两个result，将以下代码加入到构建阶段的代码中：

x2 = tf.constant(5, name='x', dtype=tf.float32)
result2 = func(x)

 

执行新的代码，再次抛出异常：变量op1/w已经存在，不允许重复定义。

怎么解决？再多添加一层作用域，改变op1/w的变量作用域？不需要这样，

tf.variable_scope()的参数reuse=tf.AUTO_REUSE，使得变量作用域变长，不会出现重复定义的情况

import tensorflow as tf
import os
# 屏蔽info
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2'

# 方式二：通过变量作用域，共享变量
def my_fun2(x):
    # 参数initializer：初始化器
    w = tf.get_variable(name='w', shape=[2], initializer=tf.random_normal_initializer())[0]
    b = tf.get_variable(name='b', shape=[1], initializer=tf.random_normal_initializer())[0]
    r = w * x + b
    return w, b, r

def func(x):
    with tf.variable_scope(name_or_scope='op1', reuse=tf.AUTO_REUSE):
        r1 = my_fun2(x)
    with tf.variable_scope(name_or_scope='op2', reuse=tf.AUTO_REUSE):
        r2 = my_fun2(r1[2])
    return r1, r2

x = tf.constant(3, name='x', dtype=tf.float32)
result = func(x)

x2 = tf.constant(5, name='x', dtype=tf.float32)
result2 = func(x)

# 构建变量初始化
init_op = tf.global_variables_initializer()

# 执行阶段：
with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:
    sess.run(init_op)
    print(sess.run(result))
    print(sess.run(result2))

总结：

 

 

 二、 15、TensorFlow的作用域name_scope