1.共享变量用途
在构建模型时，需要使用tf.Variable来创建一个变量（也可以理解成节点）。当两个模型一起训练时，一个模型需要使用其他模型创建的变量，比如，对抗网络中的生成器和判别器。如果使用tf.Variable，将会生成一个新的变量，而我们需要使用原来的那个变量。这时就是通过引入get_Variable方法，实现共享变量来解决这个问题。这种方法可以使用多套网络模型来训练一套权重。
2.使用get_Variable获取变量
get_Variable一般会配合Variable_scope一起使用，以实现共享变量。Variable_scope的含义是变量作用域。在某一作用域中的变量可以被设置成共享的方式，被其他网络模型使用。
get_Variable函数的定义如下：
tf.get_Variable(<name>, <shape>, <initializer>)
在TensorFlow里，使用get_Variable时候生成的变量是以指定的name属性为唯一标识，并不是定义的变量名称。使用时一般是通过name属性定位到具体变量，并将其共享到其他的模型中。
import tensorflow as tf
import numpy as np
var1 = tf.Variable(1.0, name=‘first_var‘)
print("var1: ", var1.name)
var1 = tf.Variable(2.0, name=‘first_var‘)
print(‘var1: ‘, var1.name)
var2 = tf.Variable(3.0)
print(‘var2: ‘, var2.name)
var2 = tf.Variable(4.0)
print(‘var1: ‘, var2.name)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("var1=", var1.eval())
print("var2=", var2.eval())
print()
在上述的代码中，，可以看到内存中有两个var1，并且他们的name是不一样的，对于图来说，后面的var1是生效的。当Variable定义没有指定名字时，系统会自动的加上一个名字Variable：0
3.get_Variable用法演示
import tensorflow as tf
import numpy as np
get_var1 = tf.get_variable(‘firat_var_1‘, [1], initializer=tf.constant_initializer(2))
print("var1: ", get_var1.name)
get_var1 = tf.get_variable(‘firat_var_2‘, [1], initializer=tf.constant_initializer(3))
print("var1: ", get_var1.name)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("var1=", get_var1.name)
print("var1=", get_var1.eval())
使用不同的name定义变量，当使用相同的name时，会抛出异常，变量名可以相同，但是name是不能相同的。
如果要使用相同的name的话，我们需要使用variable_scope将他们隔开，看如下代码：
import tensorflow as tf
with tf.variable_scope(‘test_1‘):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_2‘):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
print("var1:", var1.name)
print("var1:", var1.name)
根据程序的运行结果，我们可以发现变量的名字加上了作用域的名称，这样使得我们能够在不同的作用域下面定义name相同的变量，同时，scope还支持嵌套定义，
with tf.variable_scope(‘test_0‘):
with tf.variable_scope(‘test_1‘):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_2‘):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
print("var1:", var1.name)
print("var1:", var1.name)
4.共享作用域
使用作用域中的参数reuse可以实现共享变量功能
在variable_scope里面有一个reuse=True属性，表示使用已经定义过的变量，这时，get_variable将不会在创建新的变量，而是去图中get_variable所创建的变量中找与name相同的变量。
import tensorflow as tf
with tf.variable_scope(‘test_0‘):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_2‘):
var2 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_0‘, reuse=True):
var3 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_2‘):
var4 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
print("var1:", var1.name)
print("var2:", var2.name)
print("var3:", var3.name)
print("var4:", var4.name)
在上述的输出结果中，我们可以看到，var1和var3的名字一样，var2和var4的名字一样，则表明他们是同一个变量，如此就实现了变量的共享。在实际应用中，可以将1,2和3,4分别放在不同的模型进行训练，但是他们会作用于同一个模型的学习参数上。
使用anaconda的spyder工具运行时，代码只能运行一次，第二次运行将会报错。可以退出当前的kernel，再重新进入一下，因为tf.get_varibale在创建变量时，会去检查图中是否已经创建过该变量，如果创建过且不是共享的方式，则会报错。
因而可以使用tf.reset_default_graph()，将图里面的变量清空，就可以解决这个问题。
5.初始化共享变量
variable_scope和get_variable都具有初始化的功能。在初始化时，如果没有对当前变量初始化，则TensorFlow会默认使用作用域的初始化，并且作用域的初始化方法也有继承功能。
import tensorflow as tf
with tf.variable_scope(‘test_0‘, initializer=tf.constant_initializer(0.15)):
var1 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
with tf.variable_scope(‘test_2‘):
var2 = tf.get_variable(‘first_var‘, shape=[2], dtype=tf.float32)
var3 = tf.get_variable(‘first_var_2‘, shape=[2], initializer=tf.constant_initializer(0.315))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("var1:", var1.eval())
print("var2:", var2.eval())
print("var3:", var3.eval())
当变量没有进行初始化时，会继承它的域的初始化方式，域也会继承它的上一级的域的初始化方式。在多模型训练时，常常可以对模型中的张量进行分区，同时，同一进行初始化。在变量共享方面，可以使用tf.AUTO_REUSE来为reuse属性赋值。tf。AUTO_REUSE可以实现第一次调用variable_scope时，传入reuse的值为false，再次调用时，reuse的值为True。
6.作用域与操作符的受限范围
variable_scope还可以使用with variable_scope as xxxscope的方式定义作用域，当使用这种方式时，将不会在受到外层的scope所限制。
import tensorflow as tf
with tf.variable_scope(‘test2‘, initializer=tf.constant_initializer(1.5)) as sp:
var1 = tf.get_variable(‘var1‘, [2], dtype=tf.float32)
print(sp.name)
print(var1.name)
with tf.variable_scope(‘test1‘, dtype=tf.float32, initializer=tf.constant_initializer(5.5)):
var2 = tf.get_variable(‘var1‘, [2], dtype=tf.float32)
with tf.variable_scope(sp) as sp1:
var3 = tf.get_variable(‘var2‘, [2], dtype=tf.float32)
print("var2:", var2.name)
print("var3:", var3.name)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("var2:", var2.eval())
print("var2:", var3.eval())
通过with tf.variable_scope(sp) as sp1我们可知其没有收到外层的作用域所限制，初始化的操作时，它的值不是外层作用域的初始化值，而是指定的作用域的初始化的值。
对于操作符而言，不仅收到tf.name_scope限制还收到tf.variable_scope限制。
import tensorflow as tf
import numpy as np
with tf.variable_scope(‘scope‘):
with tf.name_scope(‘op‘):
v = tf.get_variable(‘var1‘, [1])
x = v + 2.0
print("v:", v.name)
print(‘x‘, x.name)
根据结果，我们可知，通过添加tf.name_scope(‘op‘):作用域时，变量的命名并没有收到限制，只是改变了op的命名，通过tf.name_scope(‘‘):还可以返回到顶层的作用域中。
import tensorflow as tf
import numpy as np
with tf.variable_scope(‘scope‘):
var1 = tf.get_variable("v", [1])
with tf.variable_scope(‘scope_1‘):
var2 = tf.get_variable("v", [1])
with tf.name_scope(‘‘):
var3 = tf.get_variable(‘var1‘, [1])
x = var3 + 2.0
print("var1 ", var1.name)
print(‘var2 ‘, var2.name)
print(‘var3 ‘, var3.name)
print(‘x ‘, x.name)
通过将通过tf.name_scope(‘‘)设置为空，对于变量名是没有影响，但是可以看到x的命名，它已经变成了最外层的命名了。
原文地址：https://www.cnblogs.com/baby-lily/p/10934131.html