tf.variable_scope和tf.name_scope

最新推荐文章于 2021-06-29 21:26:06 发布

转载最新推荐文章于 2021-06-29 21:26:06 发布 · 222 阅读

TF 专栏收录该内容

3 篇文章

订阅专栏

本文深入解析了TensorFlow中tf.name_scope与tf.variable_scope的区别与应用。tf.name_scope主要用于命名空间管理，使模型结构清晰；而tf.variable_scope则用于变量共享，通过tf.get_variable()实现。get_variable()能检测并重用已存在的变量，避免重复创建，提高效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

	tf.name_scope 主要结合 tf.Variable() 来使用，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.name_scope() 并不会对 tf.get_variable() 创建的变量有任何影响。
	而 tf.variable_scope() 的作用是为了实现变量共享，它和 tf.get_variable() 来完成变量共享的功能。
	变量共享主要涉及两个函数：tf.variable() 和tf.get_variable()；即就是必须要在tf.variable_scope的作用域下使用tf.get_variable()函数。
这里用tf.get_variable( ) 而不用tf.Variable( )，是因为前者拥有一个变量检查机制，会检测已经存在的变量是否设置为共享变量，
如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。
	两个创建变量的方式。如果使用tf.Variable() 的话每次都会新建变量。
但是大多数时候我们是希望重用一些变量，所以就用到了get_variable()，它会去搜索变量名，有就直接用，没有再新建。
	不像 tf.Variable() 每次都会产生新的变量, tf.get_variable() 如果遇到了已经存在名字的变量时, 它会单纯的提取这个同样名字的变量，如果不存在名字的变量再创建.

参考：