舉例說明

TensorFlow中的變數一般就是模型的引數。當模型複雜的時候共享變數會無比複雜。

官網給了一個case，當建立兩層卷積的過濾器時，每輸入一次圖片就會建立一次過濾器對應的變數，但是我們希望所有圖片都共享同一過濾器變數，一共有4個變數：conv1_weights,conv1_biases,conv2_weights,and conv2_biases。

通常的做法是將這些變數設定為全域性變數。但是存在的問題是打破封裝性，這些變數必須文件化被其他程式碼檔案引用，一旦程式碼變化，呼叫方也可能需要變化。

還有一種保證封裝性的方式是將模型封裝成類。

不過TensorFlow提供了Variable Scope 這種獨特的機制來共享變數。這個機制涉及兩個主要函式：

tf.get_variable(<name>,<shape>,<initializer>) 建立或返回給定名稱的變數
tf.variable_scope(<scope_name>) 管理傳給get_variable()的變數名稱的作用域

在下面的程式碼中，通過tf.get_variable()建立了名稱分別為weights和biases的兩個變數。

def conv_relu(input,kernel_shape,bias_shape):
  # Create variable named "weights".
  weights = tf.get_variable("weights",initializer=tf.random_normal_initializer())
  # Create variable named "biases".
  biases = tf.get_variable("biases",bias_shape,initializer=tf.constant_initializer(0.0))
  conv = tf.nn.conv2d(input,weights,strides=[1,1,1],padding='SAME')
  return tf.nn.relu(conv + biases)

但是我們需要兩個卷積層，這時可以通過tf.variable_scope()指定作用域進行區分，如with tf.variable_scope("conv1")這行程式碼指定了第一個卷積層作用域為conv1，

在這個作用域下有兩個變數weights和biases。

def my_image_filter(input_images):
  with tf.variable_scope("conv1"):
    # Variables created here will be named "conv1/weights","conv1/biases".
    relu1 = conv_relu(input_images,[5,5,32,32],[32])
  with tf.variable_scope("conv2"):
    # Variables created here will be named "conv2/weights","conv2/biases".
    return conv_relu(relu1,[32])

最後在image_filters這個作用域重複使用第一張圖片輸入時建立的變數，呼叫函式reuse_variables()，程式碼如下：

with tf.variable_scope("image_filters") as scope:
  result1 = my_image_filter(image1)
  scope.reuse_variables()
  result2 = my_image_filter(image2)

tf.get_variable()工作機制

tf.get_variable()工作機制是這樣的：

當tf.get_variable_scope().reuse == False，呼叫該函式會建立新的變數

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

當tf.get_variable_scope().reuse == True，呼叫該函式會重用已經建立的變數

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 is v

變數都是通過作用域/變數名來標識，後面會看到作用域可以像檔案路徑一樣巢狀。

tf.variable_scope理解

tf.variable_scope()用來指定變數的作用域，作為變數名的字首，支援巢狀，如下：

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

當前環境的作用域可以通過函式tf.get_variable_scope()獲取，並且reuse標誌可以通過呼叫reuse_variables()設定為True，這個非常有用，如下

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

作用域中的resuse預設是False，呼叫函式reuse_variables()可設定為True，一旦設定為True，就不能返回到False，並且該作用域的子空間reuse都是True。如果不想重用變數，那麼可以退回到上層作用域，相當於exit當前作用域，如

with tf.variable_scope("root"):
  # At start,the scope is not reusing.
  assert tf.get_variable_scope().reuse == False
  with tf.variable_scope("foo"):
    # Opened a sub-scope,still not reusing.
    assert tf.get_variable_scope().reuse == False
  with tf.variable_scope("foo",reuse=True):
    # Explicitly opened a reusing scope.
    assert tf.get_variable_scope().reuse == True
    with tf.variable_scope("bar"):
      # Now sub-scope inherits the reuse flag.
      assert tf.get_variable_scope().reuse == True
  # Exited the reusing scope,back to a non-reusing one.
  assert tf.get_variable_scope().reuse == False

一個作用域可以作為另一個新的作用域的引數，如：

with tf.variable_scope("foo") as foo_scope:
  v = tf.get_variable("v",[1])
with tf.variable_scope(foo_scope):
  w = tf.get_variable("w",[1])
with tf.variable_scope(foo_scope,[1])
  w1 = tf.get_variable("w",[1])
assert v1 is v
assert w1 is w

不管作用域如何巢狀，當使用with tf.variable_scope()開啟一個已經存在的作用域時，就會跳轉到這個作用域。

with tf.variable_scope("foo") as foo_scope:
  assert foo_scope.name == "foo"
with tf.variable_scope("bar"):
  with tf.variable_scope("baz") as other_scope:
    assert other_scope.name == "bar/baz"
    with tf.variable_scope(foo_scope) as foo_scope2:
      assert foo_scope2.name == "foo" # Not changed.

variable scope的Initializers可以創遞給子空間和tf.get_variable()函式，除非中間有函式改變，否則不變。

with tf.variable_scope("foo",initializer=tf.constant_initializer(0.4)):
  v = tf.get_variable("v",[1])
  assert v.eval() == 0.4 # Default initializer as set above.
  w = tf.get_variable("w",[1],initializer=tf.constant_initializer(0.3)):
  assert w.eval() == 0.3 # Specific initializer overrides the default.
  with tf.variable_scope("bar"):
    v = tf.get_variable("v",[1])
    assert v.eval() == 0.4 # Inherited default initializer.
  with tf.variable_scope("baz",initializer=tf.constant_initializer(0.2)):
    v = tf.get_variable("v",[1])
    assert v.eval() == 0.2 # Changed default initializer.

運算元（ops）會受變數作用域（variable scope）影響，相當於隱式地打開了同名的名稱作用域（name scope)，如+這個運算元的名稱為foo/add

with tf.variable_scope("foo"):
  x = 1.0 + tf.get_variable("v",[1])
assert x.op.name == "foo/add"

除了變數作用域（variable scope），還可以顯式開啟名稱作用域（name scope)，名稱作用域僅僅影響運算元的名稱，不影響變數的名稱。另外如果tf.variable_scope()傳入字元引數，建立變數作用域的同時會隱式建立同名的名稱作用域。如下面的例子，變數v的作用域是foo，而運算元x的運算元變為foo/bar，因為有隱式建立名稱作用域foo

with tf.variable_scope("foo"):
  with tf.name_scope("bar"):
    v = tf.get_variable("v",[1])
    x = 1.0 + v
assert v.name == "foo/v:0"
assert x.op.name == "foo/bar/add"

注意： 如果tf.variable_scope()傳入的不是字串而是scope物件，則不會隱式建立同名的名稱作用域。

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。