Variable和get_variable的用法以及区别

在tensorflow中，可以使用tf.Variable来创建一个变量，也可以使用tf.get_variable来创建一个变量，但是在一个模型需要使用其他模型的变量时，tf.get_variable就派上大用场了。

先分别介绍两个函数的用法：

import tensorflow as tf
var1 = tf.Variable(1.0,name='firstvar')
print('var1:',var1.name)
var1 = tf.Variable(2.0,name='firstvar')
print('var1:',var1.name)
var2 = tf.Variable(3.0)
print('var2:',var2.name)
var2 = tf.Variable(4.0)
print('var2:',var2.name)
get_var1 = tf.get_variable(name='firstvar',shape=[1],dtype=tf.float32,initializer=tf.constant_initializer(0.3))
print('get_var1:',get_var1.name)
get_var1 = tf.get_variable(name='firstvar1',shape=[1],dtype=tf.float32,initializer=tf.constant_initializer(0.4))
print('get_var1:',get_var1.name)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print('var1=',var1.eval())
    print('var2=',var2.eval())
    print('get_var1=',get_var1.eval())

结果如下：

我们来分析一下代码，tf.Varibale是以定义的变量名称为唯一标识的，如var1,var2，所以可以重复地创建name='firstvar'的变量，但是tensorflow会给它们按顺序取后缀，如firstvar_1:0,firstval_2:0,...，如果没有制定名字，系统会自动加上一个名字Variable:0。而且由于tf.Varibale是以定义的变量名称为唯一标识的，所以当第二次命名同一个变量名时，第一个变量就会被覆盖，所以var1由1.0变成2.0。

对于tf.get_variable，它是以指定的name属性为唯一标识，而不是定义的变量名称，所以不能同时定义两个变量name是相同的，例如下面这种就会报错：

get_var1 = tf.get_variable(name='a',shape=[1],dtype=tf.float32,initializer=tf.constant_initializer(0.3))
print('get_var1:',get_var1.name)
get_var2 = tf.get_variable(name='a',shape=[1],dtype=tf.float32,initializer=tf.constant_initializer(0.4))
print('get_var1:',get_var1.name)

这样就会报错了。如果我们想声明两次相同name的变量，这时variable_scope就派上用场了，可以使用variable_scope将它们分开：

import tensorflow as tf
with tf.variable_scope('test1'):
    get_var1 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
with tf.variable_scope('test2'):
    get_var2 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
print('get_var1:',get_var1.name)
print('get_var2:',get_var2.name)

这样就不会报错了，variable_scope相当于声明了作用域，这样在不同的作用域存在相同的变量就不会冲突了，结果如下：

当然，scope还支持嵌套：

import tensorflow as tf
with tf.variable_scope('test1',):
    get_var1 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
    with tf.variable_scope('test2',):
        get_var2 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
print('get_var1:',get_var1.name)
print('get_var2:',get_var2.name)

输出结果为：

怎么样？可以对照上面的结果体会一下不同。那么如何通过get_variable来实现变量共享呢？这就要用到variable_scope里的一个属性：reuse，顾名思义嘛，当把reuse设置成True时就可以了，它表示使用已经定义过的变量，这是get_variable就不会再创建新的变量，而是去找与name相同的变量：

import tensorflow as tf
with tf.variable_scope('test1',):
    get_var1 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
    with tf.variable_scope('test2',):
        get_var2 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
print('get_var1:',get_var1.name)
print('get_var2:',get_var2.name)
with tf.variable_scope('test1',reuse=True):
    get_var3 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
    with tf.variable_scope('test2',):
        get_var4 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
print('get_var3:',get_var3.name)
print('get_var4:',get_var4.name)

输出结果如下：

当然前面说过，reuse=True是使用前面已经创建过的变量，如果仅仅只有从第八行到最后的代码，也会报错的，如果还是想这么做，就需要把reuse属性设置成tf.AUTO_REUSE

import tensorflow as tf
with tf.variable_scope('test1',reuse=tf.AUTO_REUSE):
    get_var3 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
    with tf.variable_scope('test2',):
        get_var4 = tf.get_variable(name='firstvar',shape=[2],dtype=tf.float32)
print('get_var3:',get_var3.name)
print('get_var4:',get_var4.name)

此时就不会报错，tf.AUTO_REUSE可以实现第一次调用variable_scope时，传入的reuse值为False,再次调用时，传入reuse的值就会自动变为True。