【TensorFlow】变量管理tf.get_variables／tf.Variable／tf.variable_scope的应用（七）

声明：参考自TensorFlow实战

TensorFlow中通过变量名称获取变量的机制主要是通过tf.get_variables/tf.Variable/tf.variable_scope函数实现的，且通过tf.get_variables()和tf.Variable()来创建变量是等价的。

变量作用域机制在TensorFlow中主要由两部分组成：

tf.get_variable(name, shape, initializer): 通过所给的名字创建或是返回一个变量.
tf.variable_scope(scope_name): 通过 tf.get_variable()为变量名指定命名空间.

tf.get_variable()和tf.Variable()最大的区别在于指定变量名称的参数。tf.Variable()的变量名称是一个可选参数，通过name=” 给出，但是tf.get_variable()的变量名称是一个必填参数。如果tf.get_variable()获取一个已经创建的变量，需要通过tf.variable_scope()函数生成一个上下文管理器，并明确指定tf.get_variable()将直接获取已经生成的变量。

tf.get_variable函数调用时提供的维度（shape）信息以及初始化方法（initializer ）的参数和tf.Variable函数调用时提供的初始化过程中的参数也类似。

TensorFlow提供的initializer 初始化函数和随机数和常量生成函数是一一对应的：

tf.constant_initializer:将变量初始化为给定的常量
tf.random_normal_initializer：将变量初始化为满足正态分布的随机值
tf.truncated_normal_initializer：将变量初始化为满足正态分布的随机值，托福备考但是如果随机值出来的偏离程度超过两个标准差，则重新随机。
tf.random_uniform_initializer：将变量初始化为满足平均分布的随机值
tf.zeros_initializer：将变量全设置为0
tf.ones_initializer：将变量全设置为1

通过tf.variable_scope函数可以控制tf.get_variable函数的语义。当reuse=True时，这个上下文管理器内所有的tf.get_variable都会直接获取已经创建的变量。如果变量不存在，则会报错。相反，如果reuse=None或者reuse=False，tf.get_variable将创建新的变量，，若同名的变量已经存在则报错。

tf.variable_scope嵌套样例：

tf.variable_scope函数生成的上下文管理器也会创建一个TensorFlow中的命名空间，在这个命名空间内创建的变量名称都会带上这个空间名作为前缀，因此tf.variable_scope函数可以管理变量命名空间。

通过tf.variable_scope和tf.get_variable函数，对前向传播算法做修改。

原算法：

改进算法：

使用上述代码就不需要将所有的变量作为参数传递到不同的函数中。当神经网络更加复杂、雅思考试内容参数更多时，使用这样的方式会大大提高程序的可读性。

以上均是单独实现，主要是由于没有更改空间名，直接一起运行会报错，下面提供完整版的范例：

最后注意点：以上均在spider脚本运行，所以如果重复运行，会报错：

处理的方式就是每运行完脚本后，restart kernel重启运算核。至于缘由，目前还不太清楚，应该是脚本运行完后，变量会储存在这个脚本里面，再次运行就会出现错误。