本文翻譯自： 《Scopes and when to use them》， 如有侵權請聯絡刪除，僅限於學術交流，請勿商用。如有謬誤，請聯絡指出。

TensorFlow中的變數和張量具有name屬性，用於在符號圖中標識它們。如果在建立變數或張量時未指定名稱，TensorFlow會自動為您指定名稱：

a = tf.constant(1)
print(a.name)  # prints "Const:0"

b = tf.Variable(1)
print(b.name)  # prints "Variable:0"
複製程式碼

您可以通過顯式指定來覆蓋預設名稱：

a = tf.constant(1, name="a"
 
)
print(a.name)  # prints "a:0"

b = tf.Variable(1, name="b")
print(b.name)  # prints "b:0"
複製程式碼

TensorFlow引入了兩個不同的上下文管理器來改變張量和變數的名稱。第一個是tf.name_scope：

with tf.name_scope("scope"):
  a = tf.constant(1, name="a")
  print(a.name)  # prints "scope/a:0"

  b = tf.Variable(1, name="b")
  print(b.name)  # prints "scope/b:0"
 


  c = tf.get_variable(name="c", shape=[])
  print(c.name)  # prints "c:0"
複製程式碼

請注意，有兩種方法可以在TensorFlow中定義新變數，一是建立tf.Variable物件或是呼叫tf.get_variable方法。使用新名稱呼叫tf.get_variable會導致建立新變數，但如果存在具有相同名稱的變數，則會引發ValueError異常，告訴我們不允許重新宣告變數。

tf.name_scope影響使用tf.Variable建立的張量和變數的名稱，但不影響使用tf.get_variable建立的變數。

與tf.name_scope

with tf.variable_scope("scope"):
  a = tf.constant(1, name="a")
  print(a.name)  # prints "scope/a:0"

  b = tf.Variable(1, name="b")
  print(b.name)  # prints "scope/b:0"

  c = tf.get_variable(name="c", shape=[])
  print(c.name)  # prints "scope/c:0"
with tf.variable_scope("scope"):
  a1 = tf.get_variable(name="a", shape=[])
  a2 = tf.get_variable(name="a", shape=[])  # Disallowed
複製程式碼

但是，如果我們真的想要複用先前宣告的變數呢？變數範圍還提供了執行此操作的功能：

with tf.variable_scope("scope"):
  a1 = tf.get_variable(name="a", shape=[])
with tf.variable_scope("scope", reuse=True):
  a2 = tf.get_variable(name="a", shape=[])  # OK
複製程式碼

這在使用內建神經網路層時變得很方便：

with tf.variable_scope('my_scope'):
  features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
# Use the same convolution weights to process the second image:
with tf.variable_scope('my_scope', reuse=True):
  features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
複製程式碼

或者，您可以將reuse屬性設定為tf.AUTO_REUSE，這種操作告訴TensorFlow如果不存在具有相同名稱的變數，就建立新變數，否則就複用：

with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
  features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
  
with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
  features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
複製程式碼

如果你想共享很多變數，跟蹤定義新變數以及複用這些變數的時候可能很麻煩且容易出錯。tf.AUTO_REUSE則簡化了此任務，但增加了共享不應共享的變數的風險。TensorFlow模板是解決這一問題的另一種方法，它沒有這種風險：

conv3x32 = tf.make_template("conv3x32", lambda x: tf.layers.conv2d(x, 32, 3))
features1 = conv3x32(image1)
features2 = conv3x32(image2)  # Will reuse the convolution weights.
複製程式碼

您可以將任何功能轉換為TensorFlow模板。在第一次呼叫模板時，在函式內部定義的變數會被宣告，並且在連續呼叫中，它們將被自動複用。