tensorflow-作用域
变量名字由两部分组成:scope/变量name。
name 参数才是对象的唯一标识。
1、tf.name_scope()
Graph中保存着一个属性_name_stack(string类型),_name_stack的值保存着当前的name_scope的名字,在这个图中创建的对象Variable、Operation、Tensor的名字之前都加上了这个前缀。
#它的主要目的是为了更加方便地管理参数命名。
# 与 tf.Variable() 结合使用。简化了命名
with tf.name_scope('conv1') as scope: weights1 = tf.Variable([1.0, 2.0], name='weights') bias1 = tf.Variable([0.3], name='bias')
# 下面是在另外一个命名空间来定义变量的
with tf.name_scope('conv2') as scope: weights2 = tf.Variable([4.0, 2.0], name='weights') bias2 = tf.Variable([0.33], name='bias')
# 所以,实际上weights1 和 weights2 这两个引用名指向了不同的空间,不会冲突
print (weights1.name) print (weights2.name) 输出:
conv1/weights:0 conv2/weights:0
********************************************************************
# 注意,这里的 with 和 python 中其他的 with 是不一样的
# 执行完 with 里边的语句之后,这个 conv1/ 和 conv2/ 空间还是在内存中的。这时候如果再次执行上面的代码
# 就会再生成其他命名空间(执行完上面的代码,接着执行这里的,上面的空间还在内存中)
with tf.name_scope('conv1') as scope: weights1 = tf.Variable([1.0, 2.0], name='weights') bias1 = tf.Variable([0.3], name='bias') with tf.name_scope('conv2') as scope: weights2 = tf.Variable([4.0, 2.0], name='weights') bias2 = tf.Variable([0.33], name='bias') print (weights1.name) print (weights2.name) 输出: conv1_1/weights:0 conv2_1/weights:0
注意,tf.Variable再次命名相同变量时(本来又要产生 conv1/weights:0 conv2/weights:0),结果这里产生了(conv1_1/weights:0 conv2_1/weights:0),所以这就是tf.Variable()的一个特性,遇到同名时,产生一个新的,并不共享。
2、 tf.variable_scope
Graph中维护一个collection,这个collection中的 键_VARSCOPE_KEY对应一个 [current_variable_scope_obj],保存着当前的variable_scope。使用 get_variable() 创建变量的时候,就从这个collection 取出 current_variable_scope_obj,通过这个 variable_scope创建变量。
tf.variable_scope() 主要结合 tf.get_variable() 来使用,实现变量共享。
如果tf.variable_scope函数使用参数reuse=None或者reuse=False创建上下文管理器,则tf.get_variable函数可以创建新的变量。但不可以创建已经存在的变量即为同名的变量。
如果tf.variable_scope函数使用参数reuse=True创建上下文管理器,则tf.get_variable函数可以使用已在当前空间定义的变量赋值来创建变量。但不可以使用不存在的变量来创建。
# 这里是正确的打开方式~~~可以看出,name 参数才是对象的唯一标识
with tf.variable_scope('v_scope') as scope1: Weights1 = tf.get_variable('Weights', shape=[2, 3]) bias1 = tf.get_variable('bias', shape=[3])
# 下面来共享上面已经定义好的变量
# note: 在下面的 scope 中的变量必须已经定义过了,才能设置 reuse=True,否则会报错
with tf.variable_scope('v_scope', reuse=True) as scope2: Weights2 = tf.get_variable('Weights') Weights3 = tf.get_variable('Weights', [2,3]) #shape如果不同会报错 print (Weights2.name) print (Weights3.name) 输出 v_scope/Weights:0 v_scope/Weights:0
# 可以看到这两个引用名称指向的是同一个内存对象
*********************************************************************
# 注意, bias1 的定义方式 with tf.variable_scope('v_scope') as scope1: Weights1 = tf.get_variable('Weights', shape=[2, 3]) bias1 = tf.Variable([0.52], name='bias') # 下面来共享上面已经定义好的变量 # note: 在下面的 scope 中的get_variable()变量必须已经定义过了,才能设置 reuse=True,否则会报错 with tf.variable_scope('v_scope', reuse=True) as scope2: Weights2 = tf.get_variable('Weights') bias2 = tf.Variable([0.53], name='bias') print (Weights1.name) print (Weights2.name) print (bias1.name) print (bias2.name) 输出: v_scope / Weights:0 v_scope / Weights:0 v_scope / bias:0 v_scope_1 / bias:0
使用tf.get_variable发现之前有定义好的的该变量,则进行权值共享。
而bias1 = tf.Variable([0.52], name='bias')发现之前定义好的名字,则重新定一个新的,并没有共享权值。
tf.get_variable_scope() :获取当前scope
tf.get_variable_scope().reuse_variables() 共享变量
3、对比
简单来说name_scope是给Op_name加前缀的,variable_scope是给变量variable_name和Op_name加前缀的.作用域在使用Tensorboard对Graph对象进行可视化的时候很有帮助,作用域会把一些Op划分到较大的语句块当中.使用tensorboard可视化数据流图的时候,每个作用域都对自己的Op进行封装,从而获得更好的可视化效果.
- 如果在 tf.name_scope() 环境下分别使用 tf.get_variable() 和 tf.Variable(),两者的主要区别在于
- tf.get_variable() 创建的变量名不受 name_scope 的影响;
- tf.get_variable() 创建的变量,name 属性值不可以相同;tf.Variable() 创建变量时,name 属性值允许重复(底层实现时,会自动引入别名机制)
- 此外 tf.get_variable() 与 tf.Variable() 相比,多了一个 initilizer (初始化子)可选参数;
- tf.Variable() 对应地多了一个 initial_value 关键字参数,也即对于 tf.Variable 创建变量的方式,必须显式初始化;
name_scope
with tf.name_scope("ns") as ns: b = tf.Variable(1.0, name='b') w = tf.get_variable("w", shape=[2,10],dtype=tf.float32) a = tf.add(b, [3],name='a') print ns print b.name print w.name print a.name
输出: ns / ns / b:0 w:0 ns / a:0
*********************************************************************
with tf.name_scope("ns") as ns: with tf.name_scope("ns1") as ns1: b1 = tf.Variable(0, name='b1') w1 = tf.get_variable("w1", shape=[10], dtype=tf.float32) a1 = tf.add(b1, [3], name='a1') print ns1 print b1.name print w1.name print a1.name 输出: ns/ns1/ ns/ns1/b1:0 w1:0 ns/ns1/a1:0
*********************************************************************
with tf.name_scope("ns") as ns: with tf.variable_scope("vs1") as vs1: b2 = tf.Variable(0, name='b2') w2 = tf.get_variable("w2", shape=[2]) a2 = tf.add(b2, [3], name='a2') print vs1 print vs1.name print b2.name print w2.name print a2.name 输出: <tensorflow.python.ops.variable_scope.VariableScope object at 0x42fe790> vs1 ns/vs1/b2:0 vs1/w2:0 ns/vs1/a2:0
*********************************************************************
with tf.name_scope("ns") as ns: with tf.name_scope(None) as n1: b3 = tf.Variable(2.0, name='b3') w3 = tf.get_variable("w3", shape=[2]) a3 = tf.add(b3, [3], name='a3') print n1 print b3.name print w3.name print a3.name 输出: b3:0 w3:0 a3:0
variable_scope
注意事项:
1. 在 variable_scope 里面的 variable_scope 会继承上面的 reuse 值,即上面一层开启了 reuse ,则下面的也跟着开启。但是不能人为的设置 reuse 为 false ,只有退出 variable_scope 才能让 reuse 变为 false:
2、当在某一 variable_scope 内使用别的 scope 的名字时,此时不再受这里的等级关系束缚,直接与使用的 scope 的名字一样:
with tf.variable_scope("vs") as vs: b = tf.Variable(1.0, name='b') w = tf.get_variable("w", shape=[2, 10], dtype=tf.float32) a = tf.add(b, [3], name='a') print vs print vs.name print b.name print w.name print a.name 输出: <tensorflow.python.ops.variable_scope.VariableScope object at 0x46ee610> vs vs/b:0 vs/w:0 vs/a:0
*********************************************************************
with tf.variable_scope("vs") as vs: with tf.name_scope("ns1") as ns1: b1 = tf.Variable(0, name='b1') w1 = tf.get_variable("w1", shape=[10], dtype=tf.float32) a1 = tf.add(b1, [3], name='a1') print ns1 print b1.name print w1.name print a1.name 输出: vs/ns1/ vs/ns1/b1:0 vs/w1:0 vs/ns1/a1:0
*********************************************************************
with tf.variable_scope("vs") as vs: with tf.variable_scope("vs1") as vs1: b2 = tf.Variable(0, name='b2') w2 = tf.get_variable("w2", shape=[2]) a2 = tf.add(b2, [3], name='a2') print vs1 print vs1.name print b2.name print w2.name print a2.name 输出: <tensorflow.python.ops.variable_scope.VariableScope object at 0x4b1e310> vs/vs1 vs/vs1/b2:0 vs/vs1/w2:0 vs/vs1/a2:0
*********************************************************************
with tf.variable_scope("vs") as vs: with tf.name_scope(None) as n1: b3 = tf.Variable(2.0, name='b3') w3 = tf.get_variable("w3", shape=[2]) a3 = tf.add(b3, [3], name='a3') print n1 print b3.name print w3.name print a3.name 输出: b3:0 vs/w3:0 a3:0
总结:
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。