python的f.name_scope和tf.variable_scope函数有什么区别

本篇内容主要讲解“python的f.name_scope和tf.variable_scope函数有什么区别”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python的f.name_scope和tf.variable_scope函数有什么区别”吧!

两者区别

tf.name_scope()和tf.variable_scope()是两个作用域，一般与两个创建/调用变量的函数tf.variable() 和tf.get_variable()搭配使用。

为什么要使用两个不同的作用域方式呢？其主要原因与变量共享相关。

变量共享主要涉及两个函数：tf.Variable() 和tf.get_variable()

在tf.variable_scope的作用域下需要使用tf.get_variable()函数，这是因为tf.get_variable()拥有一个变量检查机制，会检测已经存在的变量是否设置为共享变量，当同名变量存在共享机制时，不会报错，如果并未设置为共享变量，则报错。

如果使用tf.Variable() 的话每次都会新建变量。但是很多时候我们希望重用一些变量，所以我们使用到了get_variable()，它会去搜索变量名，有就直接用，没有再新建。
在进行变量共享的时候需要使用到标志reuse，当reuse = True时是可以共享，False时不可以共享。

tf.variable_scope函数

tf.variable_scope(    name_or_scope,    default_name=None,    values=None,    initializer=None,    regularizer=None,    caching_device=None,    partitioner=None,    custom_getter=None,    reuse=None,    dtype=None,    use_resource=None,    constraint=None,    auxiliary_name_scope=True)

其中：

name_or_scope：范围的名称。

default_name：如果name_or_scope参数为None，则使用默认的名称，该名称将是唯一的；如果提供了name_or_scope，它将不会被使用，因此它不是必需的，并且可以是None。

values：传递给操作函数的Tensor参数列表。

initializer：此范围内变量的默认初始值设定项。

regularizer：此范围内变量的默认正规化器。

caching_device：此范围内变量的默认缓存设备。

partitioner：此范围内变量的默认分区程序。

custom_getter：此范围内的变量的默认自定义吸气。

reuse：可以是True、None或tf.AUTO_REUSE；如果是True，即可以开始共享变量，变量重构用；如果是tf.AUTO_REUSE，则我们创建变量（如果它们不存在），否则返回它们（用于在第一轮创建变量）；如果是None，则我们继承父范围的重用标志。

dtype：在此范围中创建的变量类型。

测试代码

1、使用reuse=True共享变量

import Tensorflow as tf# 初始化第一个v1with tf.variable_scope("scope1"):    v1 = tf.get_variable("v1",[3,3],tf.float32,initializer=tf.constant_initializer(1))    print(v1.name)# 不同的作用域with tf.variable_scope("scope2"):    v1 = tf.get_variable("v1",[3,3],tf.float32,initializer=tf.constant_initializer(1))    print(v1.name)# 开始共享with tf.variable_scope("scope1",reuse = True):    v1_share = tf.get_variable("v1",[3,3],tf.float32,initializer=tf.constant_initializer(1))    print(v1_share.name)

运行结果为：

scope1/v1:0
scope2/v1:0
scope1/v1:0

如果在下部再加上

with tf.variable_scope("scope2"):    v1_share = tf.get_variable("v1",[3,3],tf.float32,initializer=tf.constant_initializer(1))    print(v1_share.name)

此时没有reuse，不能共享，程序报错。

2、使用AUTO_REUSE共享变量

import tensorflow as tf# 使用AUTO_REUSE可以直接创建# 如果reuse = True，初始化第一轮创建的时候会报错def demo():  with tf.variable_scope("demo", reuse=tf.AUTO_REUSE):    v = tf.get_variable("v", [1])  return vv1 = demo() v2 = demo()print(v1.name)

运行结果为：

demo/v:0
demo/v:0

到此，相信大家对“python的f.name_scope和tf.variable_scope函数有什么区别”有了更深的了解，不妨来实际操作一番吧！这里是编程网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！