这篇文章将为大家详细讲解有关TensorFLow中变量命名空间的示例分析，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
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_list var_list = tf.trainable_variables() init = tf.global_variables_initializer() sess.run(init) for var in var_list: sess.run(var)
关于“TensorFLow中变量命名空间的示例分析”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。
