tf.get

http://blog.csdn.net/lanchunhui/article/details/61914287

scope 命名方法

对于一个复杂的 tensorflow 模型会有很多个变量， tf.variable_scope() ：提供了简单的命名空间技术以避免冲突；tf.get_variable()：从同一个变量范围内获取或者创建； 见名知意，tf.Variable() variable 且以大写字母开头，该函数在于定义一个变量；tf.get_variable()：可根据 name 值，返回该变量，如果该 name 不存在的话，则会进行创建；

1. name_scope()

先说结论：

tf.get_variable() 以及 tf.Variable() 是 TensorFlow 中创建变量的两种主要方式；如果在 tf.name_scope() 环境下分别使用 tf.get_variable() 和 tf.Variable()，两者的主要区别在于 tf.get_variable() 创建的变量名不受 name_scope 的影响；tf.get_variable() 创建的变量，name 属性值不可以相同；tf.Variable() 创建变量时，name 属性值允许重复（底层实现时，会自动引入别名机制） 此外 tf.get_variable() 与 tf.Variable() 相比，多了一个 initilizer （初始化子）可选参数； tf.Variable() 对应地多了一个 initial_value 关键字参数，也即对于 tf.Variable 创建变量的方式，必须显式初始 import tensorflow as tf with tf.name_scope('a_name_scope'): initilizer = tf.constant(value=1.0) var1 = tf.get_variable(name='var1', dtype=tf.float32, initializer=initilizer) # var11 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32, initilizer=initilizer) var2 = tf.Variable(name='var2', initial_value=[2], dtype=tf.float32) var21 = tf.Variable(name='var21', initial_value=[2.1], dtype=tf.float32) var22 = tf.Variable(name='var22', initial_value=[2.2], dtype=tf.float32) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(initilizer)) print(var1.name, sess.run(var1)) # print(var11.name, sess.run(var11)) print(var2.name, sess.run(var2)) print(var21.name, sess.run(var21)) print(var22.name, sess.run(var22)) 输出：

runfile('/home/wgb/Desktop/model_wgb/finetune_alexnet_with_tensorflow--master/wgb_1.py', wdir='/home/wgb/Desktop/model_wgb/finetune_alexnet_with_tensorflow--master') 1.0 var1:0 1.0 a_name_scope/var2:0 [ 2.] a_name_scope/var21:0 [ 2.0999999] a_name_scope/var22:0 [ 2.20000005]

2. variable_scope()

一个双层嵌套名称空间：

with tf.variable_scope('foo'): with tf.variable_scope('bar'): v = tf.get_variable('v', [1]) assert v.name == 'foo/bar/v:0'

3. get_variable()

get_variable() 函数的行为依赖于 reuse 的状态：

case1：reuse 设置为 False，创建并返回新变量：

with tf.variable_scope('foo'): v = tf.get_variable('v', [1]) assert v.name == 'foo/v:0'case2：reuse 设置为 True，将会按照给定的名字在以存的变量中搜寻： with tf.variable_scope('foo'): v = tf.get_variable('v', [1]) with tf.variable_scope('foo', reuse=True): v1 = tf.get_variable('v') assert v1 == v with tf.variable_scope('a_variable_scope') as scope: initializer = tf.constant_initializer(value=3) var3 = tf.get_variable(name='var3', shape=[1], dtype=tf.float32, initializer=initializer) scope.reuse_variables() # 另一种写法，tf.get_variable_scope().resue_variables() var3_reuse = tf.get_variable(name='var3') var4 = tf.Variable(initial_value=[4.], name='var4', dtype=tf.float32) var4_reuse = tf.Variable(initial_value=[4.], name='var4', dtype=tf.float32) with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(var3.name, sess.run(var3)) print(var3_reuse.name, sess.run(var3_reuse))

输出：

a_variable_scope/var3:0 [ 3.] a_variable_scope/var3:0 [ 3.] a_variable_scope/var4:0 [ 4.] a_variable_scope/var4_1:0 [ 4.]