一、概要
tf.name_scope() #主要是方便参数变量的“ 分组 ”和 “ 管理 ”，主要是结合tf.Variable()一起使用
tf.variable_scope() #一方面也是可以实现变量的“ 分组 ”和“ 管理 ”，主要是结合tf.get_variable()一起使用
tf.Variable() #创建一个全新的变量
tf.get_variable() #创建共享变量
二、tf.name_scope()的使用
1、tf.name_scope()结合tf.Variable() 的使用
import tensorflowastf
withtf.name_scope('left_add'):
a_add_left=tf.Variable(initial_value=10,name='a_add')
b_add_left=tf.Variable(initial_value=20,name='b_add')
c_result=tf.add(a_add_left,b_add_left,name='c_result') #同名变量
print(c_result.name)
print('+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++')
withtf.name_scope('left_add'):
a_add_right=tf.Variable(initial_value=30,name='a_add')
b_add_right=tf.Variable(initial_value=40,name='b_add')
c_result=tf.add(a_add_right,b_add_right,name='c_result') #同名变量
print(c_result.name)
print('+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++')
withtf.Session()assess:
writer=tf.summary.FileWriter('name_scope_graph',graph=sess.graph)
运行结果为：
left_add/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
left_add_1/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
结论：
（1）因为name_scope的主要作用就是变量的分类与管理，即使两个name_scopede名称一样，依然没有关系，会默认为后面的增加一个序号1、2、3、。。。。依次为：eft_add 、eft_add_1、eft_add_2、eft_add_3、eft_add_4.
（2）因为name_scope会相当于给每个区域制定一个完全不同的名字（即使名字相同，但后缀不同），所以不同的name_scope里面定义名称相同的变量完全不会有问题，因为每一个name_scope里面的变量名称会添加name_scope的名称作为前缀，如上的left_add/c_result:0 和 left_add_1/c_result:0
如果将上面的第二个name_scope改为如下：
withtf.name_scope('left_add/'):#添加一个斜杠，表示name_scope名称不再逐渐递增，按原样显示
此时显示的结果为：
left_add/c_result:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
left_add/c_result_1:0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
结论：
（1）当name_scope按照原名称显示的时候，不同name_scope里面的同名变量又会采用“ 逐渐递增 ”的形式，如c_result_1 、c_result_2、c_result_3、c_result_3. 即总是会保证每个变量的唯一性，即不管是name_scope相同还是变量名相同，都是不会报错的。
（2）因为name_scope的作用主要就是变量的分类管理，在编程时最好不要将每个name_scope的名称设置为相同，否则就是去了“ 分类管理 ”本身的初衷。
2、tf.name_scope()结合tf.get_variable() 的使用
前面的使用tf.Variable()无论是在同一个name_scope中定义同名变量，还是在不同的name_scope中定义同名变量，都不会出错，因为tf.Variable()创建的是以全新的变量，不是共享的，故而名称会以序号的形式“ 逐渐递增 ”，但是与tf.get_variable() 的使用就不一样了，因为tf.get_variable() 时创建的 共享变量。
（1）在name_scope中使用tf.get_variable() 创建不同名的变量，如下：
import tensorflow as tf
withtf.name_scope('name_scope_1'):
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
var2 = tf.get_variable(name='var2', shape=[1], dtype=tf.float32)#不同名
withtf.Session()assess:
sess.run(tf.global_variables_initializer())
print(var1.name, sess.run(var1))
print(var2.name, sess.run(var2))
--------------------------------------------------------------------------------------------------------------------------------
输出结果为：
var1:0 [-1.5012715]
var2:0 [-0.37785244]
以为本来名称就不同，故而不会错误。而且我们发现，他不显示name_scope的前缀了。
（2）在name_scope中使用tf.get_variable() 创建同名的变量，如下：
importtensorflowastf
withtf.name_scope('name_scope_1'):
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
var2 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)#同名
withtf.Session()assess:
sess.run(tf.global_variables_initializer())
print(var1.name, sess.run(var1))
print(var2.name, sess.run(var2))
---------------------------------------------------------------------------------------------------------------------------------
运行结果：Variable var1 already exists, disallowed.
总结：可以在name_scope创建同名的非共享变量，但是不能创建同名的共享变量。如果要创建同名的共享变量，该怎么办呢？
则使用tf.get_variable()和tf.variable_scope()相结合
三、tf.variable_scope()的使用
如下面的代码：
import tensorflow as tf
withtf.variable_scope('variable_scope')asscope:
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32)
print(var1.name)
scope.reuse_variables() # 设置共享变量
var1 = tf.get_variable(name='var1')
print(var1.name)
var2 = tf.Variable(initial_value=[2.],name='var2', dtype=tf.float32)
print(var2.name)
var2 = tf.Variable(initial_value=[2.],name='var2', dtype=tf.float32)
print(var2.name)
--------------------------------------------------------------------------------------------------------------------------
打印结果如下：
variable_scope/var1:0
variable_scope/var1:0
variable_scope/var2:0
variable_scope/var2_1:0
结论：从上面的例子可以看出，在同一个variable_scope里面，可以丁一两个两个完全同名的变量var1，即使变量名称和属性name的名称完全一样，依然不会出错，因为使用tf.get_variable()创建的是共享变量。当然使用tf.Vriable()自然没有问题，因为它创建的本身就是完全不一样的变量，依然会遵循前面的变量名按顺序逐渐递增的形式。
（1）使用同名变量是要进行相关的设置的。下面会有几种方式：
方式一：scope.reuse_variables() # 设置共享变量
方式二：
withtf.variable_scope('foo')asfoo_scope:
v = tf.get_variable('v', [1])
withtf.variable_scope('foo', reuse=True):#设置相同名称的foo，
v1 = tf.get_variable('v')
assertv1 == v
方式三：
withtf.variable_scope('foo')asfoo_scope:
v = tf.get_variable('v', [1])
withtf.variable_scope(foo_scope, reuse=True):#直接指定前面的那个variable_scope
v1 = tf.get_variable('v')
assertv1 == v
四、总结
不管是在name_scope还是在variable_scope里面，tf.Variable（）的作用都是一样的；但是tf.get_variable()并不是不能在name_scope里面使用，创建非同名变量依然是可以的，只是不能创建同名变量；要创建共享变量，需要将variable_scope和tf.get_variable()结合起来使用。
