舉例說明
TensorFlow中的變量一般就是模型的參數。當模型複雜的時候共享變量會無比複雜。
官網給了一個case，當創建兩層卷積的過濾器時，每輸入一次圖片就會創建一次過濾器對應的變量，但是我們希望所有圖片都共享同一過濾器變量，一共有4個變量：conv1_weights,conv1_biases,conv2_weights, and conv2_biases。
通常的做法是將這些變量設置爲全局變量。但是存在的問題是打破封裝性，這些變量必須文檔化被其他代碼文件引用，一旦代碼變化，調用方也可能需要變化。
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量。這個機制涉及兩個主要函數：
|
1
2
|
tf.get_variable(<name>, <shape>, <initializer>) 創建或返回給定名稱的變量
tf.variable_scope(<scope_name>) 管理傳給get_variable()的變量名稱的作用域
|
在下面的代碼中，通過tf.get_variable()創建了名稱分別爲weights和biases的兩個變量。
|
1
2
3
4
5
6
7
8
9
10
|
def conv_relu(input, kernel_shape, bias_shape):
# Create variable named "weights".
weights = tf.get_variable("weights", kernel_shape,
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, 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")這行代碼指定了第一個卷積層作用域爲conv1，
在這個作用域下有兩個變量weights和biases。
|
1
2
3
4
5
6
7
|
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, [5, 5, 32, 32], [32])
|
最後在image_filters這個作用域重複使用第一張圖片輸入時創建的變量，調用函數reuse_variables()，代碼如下：
|
1
2
3
4
|
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：
變量都是通過作用域/變量名來標識，後面會看到作用域可以像文件路徑一樣嵌套。
tf.variable_scope理解
tf.variable_scope()用來指定變量的作用域，作爲變量名的前綴，支持嵌套，如下：
|
1
2
3
4
|
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數tf.get_variable_scope()獲取，並且reuse標誌可以通過調用reuse_variables()設置爲True，這個非常有用，如下
|
1
2
3
4
5
|
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默認是False，調用函數reuse_variables()可設置爲True，一旦設置爲True，就不能返回到False，並且該作用域的子空間reuse都是True。如果不想重用變量，那麼可以退回到上層作用域，相當於exit當前作用域，如
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
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
|
一個作用域可以作爲另一個新的作用域的參數，如：
|
1
2
3
4
5
6
7
8
9
|
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, reuse=True):
v1 = tf.get_variable("v", [1])
w1 = tf.get_variable("w", [1])
assert v1 is v
assert w1 is w
|
不管作用域如何嵌套，當使用with tf.variable_scope()打開一個已經存在的作用域時，就會跳轉到這個作用域。
|
1
2
3
4
5
6
7
|
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()函數，除非中間有函數改變，否則不變。
|
1
2
3
4
5
6
7
8
9
10
11
|
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.
|
算子（ops）會受變量作用域（variable scope）影響，相當於隱式地打開了同名的名稱作用域（name scope)，如+這個算子的名稱爲foo/add
|
1
2
3
|
with tf.variable_scope("foo"):
x = 1.0 + tf.get_variable("v", [1])
assert x.op.name == "foo/add"
|
除了變量作用域（variable scope），還可以顯式打開名稱作用域（name scope)，名稱作用域僅僅影響算子的名稱，不影響變量的名稱。另外如果tf.variable_scope()傳入字符參數，創建變量作用域的同時會隱式創建同名的名稱作用域。如下面的例子，變量v的作用域是foo，而算子x的算子變爲foo/bar，因爲有隱式創建名稱作用域foo
|
1
2
3
4
5
6
|
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()傳入的不是字符串而是scope對象，則不會隱式創建同名的名稱作用域。
