先說說為什麼需要共享變數。
我們在訓練模型的時候，需要一次次的輸入訓練資料，網路的權重和偏執在一次次的迭代過程中，不斷地修正自身的值，這個迭代過程，我們通常的程式設計思路是這麼做：
conver1_weight=tf.xxx(conver1_weight,…)
我們從兩個方面考慮這麼做的後果：
1，迭代過程被封裝在自己編寫的函式內部（考慮到模組化或者程式碼易讀性需要這麼做），那麼在函式內部的這個變數就是區域性變數，無法影響函式外部的conver1_weight的值，當然我們可以將conver1_weight設定為全域性變數。比如下面的例子：

import tensorflow as
 
 tf
import numpy as np
global_var=tf.Variable(tf.constant(0.5))
def change_global_var():
    global global_var
    global_var=tf.add(global_var,0.4)
    return global_var
sess=tf.Session()
init=tf.global_variables_initializer()
sess.run(init)
print("global_var=",sess.run(global_var))
tmp=change_global_var(
 
)
print("after add,global_var=",sess.run(global_var))

但是，這麼做會破會工程的封裝性，沒錯，就是這個cao蛋的理由，也是設計和使用共享變數的理由之一，雖然它看起來比什麼共享變數更簡單直觀易用。
這麼做的另一個缺點，和我們說的第二條缺點一樣。接著看：
2.神經網路很少是簡單的，主要是反映在節點的數量和訓練資料的量上。設想我們有一個3層，每層100個節點的網路，而且有10000條訓練資料。這樣的話，就有兩個100x100的方陣資料，每訓練一次，產生一個這樣的資料集（conver1_weight=tf.xxx(conver1_weight,…)會產生一個新的conver1_weight，name和原先的cover1_weight不一樣，大家可以編寫簡單程式碼測試），這時候產生的訓練變數有多少？1000x100x100，而且這還是隻有一個weight引數，加上bias呢？或者如果這是一個複雜的神經網路，有上億個神經元的時候呢？消耗的記憶體無疑是驚人的。怎麼處理這個問題呢？TF的設計者想出了共享變數這個點子，核心思想就是：如果根據name可知該變數存在，那麼使用該變數的值運算，不再建立新的tensor變數。
共享變數的宣告、建立和使用不復雜。下面說明：
第一次宣告共享變數，需要在tf.variable_scope中宣告，指明該共享變數的作用域，類似於其他語言的宣告一個靜態的類成員，該成員只能在類範圍內共享

[程式碼段1]
with tf.variable_scope("scope1"):
    get_var1=tf.get_variable("firstvar",[1],initializer=tf.constant_initializer(0.3))

如果程式的其他地方需要用到這個共享變數，那麼，也要宣告這段程式和變數屬於上面宣告的作用域scope1，並且宣告引數reuse=True，這時候，才可以用tf.get_variable()來取得該變數。格式如下：

[程式碼段2]
with tf.variable_scope("scope1",reuse=True):
    get_var3=tf.get_variable("firstvar",[1],initializer=tf.constant_initializer(0.5))

此時，在scope1中不能再用get_variable建立或取得[程式碼段1]沒有的額變數，否則會提示錯誤：Variable scope1/firstvar2 does not exist, or was not created with tf.get_variable(). Did you mean to set reuse=tf.AUTO_REUSE in VarScope?
get_variable會從系統維護的變數列表中查詢name為firstvar的變數，並用get_var3指向該變數，並不會建立新name的新變數（和程式碼1中不一樣，程式碼1中，如果沒有該name的變數，則建立一個）。
當然：resuse=tf.AUTO_REUSE更方便，可以實現第一次reuse=False，第二次自動為True。
完整的簡單演示程式碼如下：

import tensorflow as tf
with tf.variable_scope("scope1"):
    get_var1=tf.get_variable("firstvar",[1],initializer=tf.constant_initializer(0.3))
    print("get_var1:",get_var1.name)
with tf.variable_scope("scope2"):
    get_var2=tf.get_variable("firstvar",[1],initializer=tf.constant_initializer(0.4))
    print("get_var2:",get_var2.name)
with tf.variable_scope("scope1",reuse=True):
    get_var3=tf.get_variable("firstvar",[1],initializer=tf.constant_initializer(0.5))
    print("get_var3:",get_var3.name)    
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print("get_var1=",get_var1.eval())
    print("get_var2=",get_var2.eval())
    print("get_var3=",get_var3.eval())
    

點選這裡執行