在tensorflow学习之路(2-1):tf.variable_scope(),tf.name_scope(),tf.get_variable()的认识这篇中，并没有对他们有一个很好的认识，仅仅介绍了他们的使用。而在这篇文章中，将会重新从整体上去理解他们，算是对上篇的一个更好的总结吧。
简要概括：我们可以通过tf.Variable()来新建变量，但是，在tensorflow程序中，我们又需要共享变量（share variables），于是，就有了tf.get_variable()(新建变量或者取已经存在的变量)。但是，因为一般变量命名比较短，那么，此时，我们就需要类似目录工作一样的东西来管理变量命名，于是，就有了tf.variable_scope()，同时，设置reuse标志，就可以来决定tf.get_variable()的工作方式（新建变量或者取得已经存在变量）。此外，在tensorflow中，还存在ops操作，而tf.variable_scope()可以同时对variable和ops的命名有影响，即加前缀；而tf.name_scope()只能对ops的命名加前缀。
先介绍背景： 在简单的模型中，我们可以创建多个variable。而在复杂的模型中，我们往往需要共享大量的variables,且需要在同一位置初始化他们。因此，出现了tf.variable_scope()和tf.get_variable()。
一般可以通过使用dictionary也可以达到共享变量的目的，但是，其在代码外创建变量打破了封装原则，同时，当代码改变时，需要创建更多或者更少或者新建变量。
在tensorflow中的Variable Scope Mechanism 主要包含了下面两个函数：
tf.get_variable()tf.variable_scope()tf.get_variable()主要用于得到或者新建一个variable变量，而不是直接调用tf.Variable().于tf.Variable()之间使用值初始化变量不同，tf.get_variable()主要是通过initializer这个function来初始化新建变量的。此外，variable变量名字较短，容易重复，所以，就需要tf.variable_scope()为变量创建一个命名空间。例如，cnn的每一层中，均有weights和biases这两个变量，通过tf.variable_scope()为每一卷积层命名，就可以防止变量name重复。
Variable Scope是如何工作的呢？
首先，理解tf.get_variable()是如何工作的。一般通过下面方式调用tf.get_variable():
v = tf.get_variable(name, shape, dtype, initializer)而tf.get_variable()是新建变量还是取得已存在变量取决于调用它的scope.
情况1：若scope设置为新建变量，例如，tf.get_variable_scope().reuse == False.(说明：tf.get_variable_scope()得到当前的scope) 在这种情况下，v就是一个给定shape和initializer的新建的tf.Variable。新建变量的full name则就是scope的name+tf.get_variable()函数中的name，同时，还会检查是否已经存在这个full name的变量。如果存在这个full name 的变量，函数会报ValueError错误。
情况2：若scope设置为重新使用已有变量，例如，tf.get_variable_scope().reuse == True. 在这种情况下，这个调用则会寻找full name为 scope的name + tf.get_variable()函数中的name的变量。如果不存在，则会报ValueError错误。如果存在，则会返回这个变量。
tf.variable_scope()相关
tf.variable_scope()的基本作用主要是给变量名加前缀和设置reuse标志以此来区分tf.get_variable()的两种情况（新建变量或者重新使用已有变量）。加前缀类似于目录的工作。
我们已经知道tf.get_variable_scope()可以获取当前variable scope.而通过下面的调用，可以设置当前的variable scope的reuse标志为True:
tf.get_variable_scope().reuse_variables() #Example with tf.variable_scope("foo"): v = tf.get_variable("v", [1]) tf.get_variable_scope().reuse_variables() v1 = tf.get_variable("v", [1]) assert v1 is v注意：不要显示的设置reuse=False.reuse的取值为None和True.默认reuse=None,即不共享参数。当reuse=True时，共享参数，并且，在此scope下的所有sub-scope的reuse都为True.
此外，关于tf.variable_scope()还有一下几点需要注意：
1.tf.variable_scope(name_or_scope,…)中的name_or_scope可以是VariableScope Object（一般用于较复杂的情况），具体如下：
with tf.variable_scope("foo") as foo_scope: v = tf.get_variable("v", [1]) with tf.variable_scope(foo_scope): w = tf.get_variable("w", [1]) with tf.variable_scope(foo_scope, reuse=True): v1 = tf.get_variable("v", [1]) w1 = tf.get_variable("w", [1]) assert v1 is v assert w1 is w2.使用之前已经存在的scope来打开一个variable scope，能够跳出当前variable scope前缀而为一个完全不同的scope.无论什么时候这样都完全独立。例如：
with tf.variable_scope("foo") as foo_scope: assert foo_scope.name == "foo" with tf.variable_scope("bar"): with tf.variable_scope("baz") as other_scope: assert other_scope.name == "bar/baz" with tf.variable_scope(foo_scope) as foo_scope2: assert foo_scope2.name == "foo" # Not changed.3.在一个区域内，可以为所有的variables设置默认的initializer。设置默认的initializer能够被sub-scope继承，且会传送给同区域的每一个tf.get_variable()。可以通过显示指定另一个initializer来重写initializer。如下：
with tf.variable_scope("foo", initializer=tf.constant_initializer(0.4)): v = tf.get_variable("v", [1]) assert v.eval() == 0.4 # Default initializer as set above. w = tf.get_variable("w", [1], initializer=tf.constant_initializer(0.3)): assert w.eval() == 0.3 # Specific initializer overrides the default. with tf.variable_scope("bar"): v = tf.get_variable("v", [1]) assert v.eval() == 0.4 # Inherited default initializer. with tf.variable_scope("baz", initializer=tf.constant_initializer(0.2)): v = tf.get_variable("v", [1]) assert v.eval() == 0.2 # Changed default initializer.4.关于tf.variable_scope()和tf.name_scope()。tf.variable_scope()可以同时对variable和ops加前缀，而tf.name_scope()只能对ops加前缀，对variables的命名没有影响。如下：
with tf.variable_scope("foo"): with tf.name_scope("bar"): v = tf.get_variable("v", [1]) x = 1.0 + v assert v.name == "foo/v:0" assert x.op.name == "foo/bar/add"参考资料： https://www.tensorflow.org/programmers_guide/variable_scope http://blog.csdn.net/u012436149/article/details/53696970 http://blog.csdn.net/u012436149/article/details/53081454
