[TensorBoard] Name & Variable scope

TF有两个scope, 一个是name_scope一个是variable_scope

 

第一个程序:

with tf.name_scope("hello") as name_scope:
    arr1 = tf.get_variable("arr1", shape=[2,10],dtype=tf.float32)

    print name_scope   # "hello/" 
    print arr1.name    # arr1:0 
    print "scope_name:%s " % tf.get_variable_scope().original_name_scope # 空

 

第二个程序:

with tf.variable_scope("hello") as variable_scope:
    arr1 = tf.get_variable("arr1", shape=[2, 10], dtype=tf.float32)

    print variable_scope         # 返回的是一个 op对象
    print variable_scope.name    # 打印出变量空间名字
    print arr1.name
    print tf.get_variable_scope().original_name_scope
    # tf.get_variable_scope() 获取的就是variable_scope

    with tf.variable_scope("xixi") as v_scope2:
        print tf.get_variable_scope().original_name_scope
        # tf.get_variable_scope() 获取的就是v _scope2

输出为:

<tensorflow.python.ops.variable_scope.VariableScope object at 0x7fbc09959210>
hello
hello/arr1:0
hello/
hello/xixi/

 

第三个程序:

with tf.name_scope("name1"):
    with tf.variable_scope("var1"):
        w   = tf.get_variable("w",shape=[2])
        res = tf.add(w,[3])

print w.name
print res.name


输出为:
var1/w:0
name1/var1/Add:0

可以看出：variable scope和name scope都会给op的name加上前缀

 

对比三个个程序可以看出:

• name_scope对 get_variable()创建的变量 的名字不会有任何影响,而创建的op会被加上前缀.
• tf.get_variable_scope() 返回的只是 variable_scope,不管 name_scope.所以以后我们在使用tf.get_variable_scope().reuse_variables() 时可以无视name_scope

 

其它

with tf.name_scope("scope1") as scope1:
    with tf.name_scope("scope2") as scope2:
        print scope2
#输出：scope1/scope2/

 

import tensorflow as tf
with tf.variable_scope("scope1") as scope1:
    with tf.variable_scope("scope2") as scope2:
        print scope2.name
#输出:scope1/scope2

 

name_scope可以用来干什么

Background: 典型的 TensorFlow 可以有数以千计的节点，如此多而难以一下全部看到，甚至无法使用标准图表工具来展示。

Solution: 为简单起见，我们为 op/tensor名 划定范围，并且可视化把该信息用于在图表中的节点上定义一个层级。默认情况下， 只有顶层节点会显示。

下面这个例子使用tf.name_scope在hidden命名域下定义了三个操作: 【好例子】

import tensorflow as tf

with tf.name_scope('hidden') as scope:
  a = tf.constant(5, name='alpha')
  W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0), name='weights')
  b = tf.Variable(tf.zeros([1]), name='biases')
  print a.name　　# hidden/alpha 
  print W.name　　# hidden/weights 
  print b.name　　# hidden/biases 

 

 

name_scope 是给op_name加前缀

variable_scope是给get_variable()创建的变量的名字加前缀。

tf.variable_scope有时也会处理命名冲突

import tensorflow as tf
def test(name=None):
    with tf.variable_scope(name, default_name="scope") as scope:
        w = tf.get_variable("w", shape=[2, 10])

test()
test()
ws = tf.trainable_variables()
for w in ws:
    print(w.name)

#scope/w:0
#scope_1/w:0
#可以看出，如果只是使用default_name这个属性来创建variable_scope
#的时候，会处理命名冲突

 

其它

• tf.name_scope(None) 有清除name scope的作用

import tensorflow as tf
with tf.name_scope("hehe"):
    w1 = tf.Variable(1.0)
    with tf.name_scope(None):
        w2 = tf.Variable(2.0)
print(w1.name)
print(w2.name)

#hehe/Variable:0
#Variable:0

 

variable_scope可以用来干什么

variable_scope 用来管理 variable 详见variable_scope

 

总结

简单来看 
1. 使用tf.Variable()的时候，tf.name_scope()和tf.variable_scope() 都会给 Variable 和 op 的 name属性加上前缀。 
2. 使用tf.get_variable()的时候，tf.name_scope()就不会给 tf.get_variable()创建出来的Variable加前缀。