理解tf.name_scope()和tf.variable_scope()

tf.Variable与tf.get_variable()

1.使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错

import tensorflow as tf
w_1 = tf.Variable(3,name="w_1")
w_2 = tf.Variable(1,name="w_1")
print w_1.name
print w_2.name
#输出
#w_1:0
#w_1_1:0

import tensorflow as tf

w_1 = tf.get_variable(name="w_1",initializer=1)
w_2 = tf.get_variable(name="w_1",initializer=2)
#错误信息
#ValueError: Variable w_1 already exists, disallowed. Did
#you mean to set reuse=True in VarScope?

2.基于这两个函数的特性，当我们需要共享变量的时候，需要使用tf.get_variable()。在其他情况下，这两个的用法是一样的

import tensorflow as tf

with tf.variable_scope("scope1"):
    w1 = tf.get_variable("w1", shape=[])
    w2 = tf.Variable(0.0, name="w2")
with tf.variable_scope("scope1", reuse=True):
    w1_p = tf.get_variable("w1", shape=[])
    w2_p = tf.Variable(1.0, name="w2")

print(w1 is w1_p, w2 is w2_p)
#输出
#True  False

总结：由于tf.Variable() 每次都在创建新对象，所有reuse=True 和它并没有什么关系。对于get_variable()，来说，如果已经创建的变量对象，就把那个对象返回，如果没有创建变量对象的话，就创建一个新的。

tf.name_scope()和tf.variable_scope()

TF中有两种作用域类型：命名域 (name scope)，通过tf.name_scope 或 tf.op_scope创建；变量域 (variable scope)，通过tf.variable_scope 或 tf.variable_op_scope创建；这两种作用域，对于使用tf.Variable()方式创建的变量，具有相同的效果，都会在变量名称前面，加上域名称。对于通过tf.get_variable()方式创建的变量，只有variable scope名称会加到变量名称前面，而name scope不会作为前缀。

1. tf.variable_scope有一个参数reuse默认None，当reuse为None或False时，表示在该作用域下tf.get_variable函数只能创建变量，如果创建两个相同名字的变量就会报错

2. 将reuse参数设置为True时，作用域可以共享变量，两个变量相等

    with tf.variable_scope("foo",reuse=True):

        v1 = tf.get_variable("v",[1])

        v2 = tf.get_variable("v",[1])

    print(v1.name,v2.name,v1 == v2)

    #foo/v:0 foo/v:0 True

总结：
1、name_scope不会作为tf.get_variable变量的前缀，但是会作为tf.Variable的前缀。
2、在variable_scope的作用域下，tf.get_variable()和tf.Variable()都加了scope_name前缀。因此，在tf.variable_scope的作用域下，通过get_variable()可以使用已经创建的变量，实现了变量的共享，即可以通过get_variable()在tf.variable_scope设定的作用域范围内进行变量共享。
3、在重复使用的时候, 一定要在代码中强调 scope.reuse_variables()