variable_scope
使用tf.variable_scope定义的命名空间，只要空间名称不同，定义的变量互不干挠，即使函数name参数相同
如果是在相同命名空间下，
如果是不可重用的(reuse=False),tf. get_variable函数会查找在当前命名空间下是否存在由tf.get_variable定义的同名变量（而不是tf.Variable定义的），如果不存在，则新建对象，否则会报错
如果是可重用的(reuse=True)，如果存在，则会返回之前的对象，否则报错，
tf. Variable不管在什么情况下都是创建新变量，自己解决命名冲突
下面举个例子说明
import tensorflow as tf
from tensorflow.python.framework import ops
ops.reset_default_graph()
sess = tf.InteractiveSession()
with tf.variable_scope("scope1"):
w1 = tf.get_variable("w1", initializer=4.)
w2 = tf.Variable(0.0, name="w2")
with tf.variable_scope("scope2"):
w1_p = tf.get_variable("w1", initializer=5.)
w2_p = tf.Variable(1.0, name="w2")
with tf.variable_scope("scope1", reuse=True):
w1_reuse = tf.get_variable("w1")
w2_reuse = tf.Variable(1.0, name="w2")
def compare_var(var1, var2):
print '-----------------'
if var1 is var2:
print sess.run(var2)
print var1.name, var2.name
sess.run(tf.global_variables_initializer())
compare_var(w1, w1_p)
compare_var(w2, w2_p)
compare_var(w1, w1_reuse)
compare_var(w2, w2_reuse)
name_scope
- 使用name_scope命名空间
get_variable不受name_scope命名空间约束
Variable受命名空间约束，但可以自己解决冲突
import tensorflow as tf
from tensorflow.python.framework import ops
ops.reset_default_graph()
sess = tf.InteractiveSession()
with tf.name_scope("scope1"):
w1 = tf.Variable(0.0, name="w1")
w2 = tf.get_variable("w2", initializer=4.)
with tf.name_scope("scope1"):
w1_p = tf.Variable(1.0, name="w1")
w2_p = tf.get_variable("w1", initializer=5.)
def compare_var(var1, var2):
print '-----------------'
if var1 is var2:
print sess.run(var2)
print var1.name, var2.name
print '-----------'
sess.run(tf.global_variables_initializer())
compare_var(w1, w2)
compare_var(w1_p, w2_p)
总结两个命名空间的作用不同
variable_scope与get_variable搭配使用可以使得共享变量
name_scope主要用来tensorboard可视化
tensorboard可视化
import tensorflow as tf
from tensorflow.python.framework import ops
ops.reset_default_graph()
sess = tf.InteractiveSession()
log_dir = '../datachuli'
def practice_num():
# 练习1: 构建简单的计算图
input1 = tf.constant([1.0, 2.0, 3.0],name="input1")
input2 = tf.Variable(tf.random_uniform([3]),name="input2")
output = tf.add_n([input1,input2],name = "add")
sess.run(tf.global_variables_initializer())
sess.run(output)
#生成一个写日志的writer，并将当前的tensorflow计算图写入日志
writer = tf.summary.FileWriter(log_dir + "/log",tf.get_default_graph())
writer.close()
practice_num()
- 加入命名空间，tensorboard可视化将非常有层次感，更清晰
ops.reset_default_graph()
sess = tf.InteractiveSession()
def practice_num_modify():
#将输入定义放入各自的命名空间中，从而使得tensorboard可以根据命名空间来整理可视化效果图上的节点
# 练习1: 构建简单的计算图
with tf.name_scope("input1"):
input1 = tf.constant([1.0, 2.0, 3.0],name="input1")
with tf.name_scope("input2"):
input2 = tf.Variable(tf.random_uniform([3]),name="input2")
with tf.name_scope('add1'):
output = tf.add_n([input1,input2],name = "add")
sess.run(tf.global_variables_initializer())
sess.run(output)
#生成一个写日志的writer，并将当前的tensorflow计算图写入日志
writer = tf.summary.FileWriter(log_dir + "/log_namescope",tf.get_default_graph())
writer.close()
practice_num_modify()
可以点击add1和input2右上角+号展开
展开前
展开后
