一、name_scope

with tf.name_scope(name):

name_scope: 为了更好地管理变量的命名空间而提出的。比如在 tensorboard 中，因为引入了 name_scope， 我们的 Graph 看起来才井然有序。

name_scope 对 get_variable 创建变量的 name 没有影响，即 get_variable 创建的变量不在 name_scope 这个命名空间中

二、variable_scope

with tf.variable_scope(name_or_scope, reuse=None):

variable_scope: 大部分情况下，跟 tf.get_variable() 配合使用，实现变量共享的功能

可通过tf.get_variable_scope().reuse == True/False 判断参变量是否共享

当前变量作用域可以用tf.get_variable_scope()进行检索并且reuse 标签可以通过调用tf.get_variable_scope().reuse_variables()设置为True

三、共享参变量

1、方法

使用 tf.Variable() 创建同一个 name 的变量(操作名不同)，均不会报错，但系统会自动修改 name(实质还是不让共享参变量)

使用 tf.get_varible() 创建同一个 name 的变量(操作名不同)，均会报错(为了避免无意识的参变量复用造成的错误)

我们可以在 variable_scope 中使用 tf.get_variable() 创建变量，并通过 with tf.variable_scope(name_or_scope, reuse=True) 来共享参变量：

reuse=True：将只能获取命名空间中已经创建过的变量，如果变量不存在，则tf.get_variable函数将报错。

reuse=None / False：tf.get_variable操作将创建新的变量，如果同名的变量已经存在，则tf.get_variable函数将报错。

2、代码示例

# 下面是定义一个卷积层的通用方式def conv_relu(input, kernel_shape, bias_shape): # Create variable named "weights". weights = tf.get_variable("weights", kernel_shape, initializer=tf.random_normal_initializer()) # Create variable named "biases". biases = tf.get_variable("biases", bias_shape, initializer=tf.constant_intializer(0.0)) conv = tf.nn.conv2d(input, weights, strides=[1, 1, 1, 1], padding='SAME') return tf.nn.relu(conv + biases)# 定义一个图片过滤器def my_image_filter(input_images): with tf.variable_scope("conv1"): # Variables created here will be named "conv1/weights", "conv1/biases". relu1 = conv_relu(input_images, [5, 5, 32, 32], [32]) with tf.variable_scope("conv2"): # Variables created here will be named "conv2/weights", "conv2/biases". return conv_relu(relu1, [5, 5, 32, 32], [32])# 实验一：调用 my_image_filter() 两次result1 = my_image_filter(image1)result2 = my_image_filter(image2)>>> Raises ValueError(... conv1/weights already exists ...), tf.get_variable()会检测已经存在的变量是否已经共享# 解决方法一, 可以在设计网络时加上一个布尔型的 reuse 参数 with tf.variable_scope("image_filters"): result1 = my_image_filter(image1)with tf.variable_scope("image_filters", reuse=True): result2 = my_image_filter(image2)# 解决方法二with tf.variable_scope("image_filters") as scope: # 下面我们两次调用 my_image_filter 函数，但是由于引入了变量共享机制 # 可以看到我们只是创建了一遍网络结构。 result1 = my_image_filter(image1) scope.reuse_variables() result2 = my_image_filter(image2)# 解决方法三with tf.variable_scope("image_filters") as scope: result1 = my_image_filter(image1)with tf.variable_scope(scope, reuse=True): result2 = my_image_filter(image2)# 打印出所有的可训练参变量vs = tf.trainable_variables()print('There are %d trainable_variables in the Graph: ' % len(vs))for v in vs: print(v)# 输出结果证明确实：参变量共享，因为只有四个变量，没有创建新的变量。There are 4 trainable_variables in the Graph: Tensor("image_filters/conv1/weights/read:0", shape=(5, 5, 32, 32), dtype=float32)Tensor("image_filters/conv1/biases/read:0", shape=(32,), dtype=float32)Tensor("image_filters/conv2/weights/read:0", shape=(5, 5, 32, 32), dtype=float32)Tensor("image_filters/conv2/biases/read:0", shape=(32,), dtype=float32)

四、取出所有可训练参数

# Returns all variables created with trainable=True in a var_listvar_list = tf.trainable_variables()init = tf.global_variables_initializer()sess.run(init)for var in var_list: sess.run(var)

以上这篇TensorFLow 变量命名空间实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。