Tensorflow函数——tf.variable_scope（）

tf.variable_scope(name_or_scope,default_name=None,values=None,initializer=None,regularizer=None,caching_device=None,partitioner=None,custom_getter=None,reuse=None,dtype=None)

返回一个用于定义创建variable（层）的op的上下文管理器。

该上下文管理器验证（可选）值来自同一图形，确保图形是默认图形，并推送名称范围和variable范围。

如果name_or_scope不为None，则按原样使用。 如果范围为None，则使用default_name。 在这种情况下，如果以前在同一个范围内使用了相同的名称，那么它将会被唯一的附加到_N。

可变范围允许创建新的variable并分享已创建的variable，同时提供检查，不会意外创建或共享。 有关详细信息，请参阅可变范围如何操作，这里我们仅提供几个基本示例。

如何创建新variable的简单示例：

with tf.variable_scope("foo"):
    with tf.variable_scope("bar"):
        v = tf.get_variable("v", [1])
        assert v.name == "foo/bar/v:0"

• 1
• 2
• 3
• 4

共享variable的基本示例：

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
    v1 = tf.get_variable("v", [1])
assert v1 == v

• 1
• 2
• 3
• 4
• 5

通过捕获范围并设置重用来共享variable：

with tf.variable_scope("foo") as scope:
    v = tf.get_variable("v", [1])
    scope.reuse_variables()
    v1 = tf.get_variable("v", [1])
assert v1 == v

• 1
• 2
• 3
• 4
• 5

为了防止意外共享variable，当在非重用范围内获取现有variable时，我们引发异常。

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
    v1 = tf.get_variable("v", [1])
    #  Raises ValueError("... v already exists ...").

• 1
• 2
• 3
• 4

同样，当尝试获取在重用模式下不存在的variable时，我们引发异常。

with tf.variable_scope("foo", reuse=True):
    v = tf.get_variable("v", [1])
    #  Raises ValueError("... v does not exists ...").

• 1
• 2
• 3

请注意，重用标志是继承的：如果我们打开一个重用的范围，那么它的所有子范围也会变得重用。

ARGS：

name_or_scope：string或VariableScope：要打开的范围。
default_name：如果name_or_scope参数为None，则将使用默认名称，此名称将被唯一。 如果提供了name_or_scope，它将不会被使用，因此它不是必需的，可以是None。
值：传递给op函数的Tensor参数列表。
初始化器：此范围内的变量的默认初始化程序。
regularizer：此范围内的变量的默认正则符。
caching_device：此范围内的变量的默认缓存设备。
partitioner：此范围内变量的默认分区。
custom_getter：此范围内变量的默认定制getter。
重用：True或None 如果是，我们进入该范围以及所有子范围的重用模式; 如果没有，我们只是继承父范围重用。
dtype：在此范围中创建的变量类型（默认为传递范围中的类型，或从父范围继承）