1. 变量管理机制

Tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递。实该机制主要是通过tf.get_variable 和tf.variable_scope函数实现。

2.Variable和get_variable函数

tf.get_variable和tf.Variable 创建变量的时候是等价的，都需要提供维度，初始化方法和命名：

  1. v = tf.get_variable("v", shape=[1], initializer=tf.constant_initializer(1.0))
  2. v = tf.Variable(tf.constant(1.0, shape=[1], name="v")

以上常数生成函数tf.constant功能和tf.constant_initializer常数初始化函数的功能就是一致的。常用的函数初始化函数有：

初始化函数 功能 主要参数
tf.constant_initializer 将变量初始化为给定常量 常量的取值
tf.random_normal_initializer 将常量初始化为满足正态分布的随机值 正太分布的均值和标准差
tf.truncated_normal_initializer 将变量初始化为满足正太分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将被重新随机 正太分布的均值和标准差
tf.random_uniform_initializer 将变量初始化满足平均分布的随机值 最大、最小值
tf.uniform_unit_scaling_initializer 将变量初始化为满足平均分布但不影响输出数量级的随机值 factor(产生随机值乘以的系数）
tf.zeros_initializer 将随机变量全部设置为0 变量维度
tf.ones_initializer 将随机变量全部设置为1 变量维度

tf.Variable和tf.get_variable函数最大的区别在于，tf.Variable变量名称是一个可选的参数，但是对于tf.get_variable是一个必填的参数。tf.get_variable会根据这个名字去创建或者获取变量。

3.get_variable和variable_scope

通过下面示例来说明，如何通过variable_scope来生成上下文管理器，并利用get_variable来获取变量。

  1. import tensorflow as tf
  3. #在命名空间foo里面创建名字为v的变量
  4. with tf.variable_scope("foo"):
  5.     v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1.0))
  7. #因为命名为v的变量已经存在，以下代码会报错
  8. with tf.variable_scope("foo"):
  9.     v = tf.get_variable("v", [1])
  11. #在生成上下文管理器的时候，将reuse设置为True，get_variable将直接获取已经定义的变量
  12. with tf.variable_scope("foo", reuse=True):
  13.     v1 = tf.get_variable("v", [1])
  14.     print v==v1
  16. #在设置resue为True的情况下，如果变量没声明过，将会报错:
  17. with tf.variable_scope("bar", reuse=True):
  18.     v1 = tf.get_variable("v", [1])
  19.     print v==v1