1. 首先看看比較簡單的 tf.name_scope(‘scope_name’).

tf.name_scope 主要結合 tf.Variable() 來使用，方便參數命名管理。

''' Signature: tf.name_scope(*args, **kwds) Docstring: Returns a context manager for use when defining a Python op. ''' # 也就是說，它的主要目的是為了更加方便地管理參數命名。 # 與 tf.Variable() 結合使用。簡化了命名 with tf.name_scope('conv1') as scope:weights1 = tf.Variable([1.0, 2.0], name='weights')bias1 = tf.Variable([0.3], name='bias')# 下面是在另外一個命名空間來定義變量的 with tf.name_scope('conv2') as scope:weights2 = tf.Variable([4.0, 2.0], name='weights')bias2 = tf.Variable([0.33], name='bias')# 所以，實際上weights1 和 weights2 這兩個引用名指向了不同的空間，不會沖突 print (weights1.name) print (weights2.name)


#輸出： conv1/weights:0 conv2/weights:0

　　

# 注意，這里的 with 和 python 中其他的 with 是不一樣的 # 執行完 with 里邊的語句之后，這個 conv1/ 和 conv2/ 空間還是在內存中的。這時候如果再次執行上面的代碼 # 就會再生成其他命名空間 with tf.name_scope('conv1') as scope:weights1 = tf.Variable([1.0, 2.0], name='weights')bias1 = tf.Variable([0.3], name='bias')with tf.name_scope('conv2') as scope:weights2 = tf.Variable([4.0, 2.0], name='weights')bias2 = tf.Variable([0.33], name='bias')print (weights1.name) print (weights2.name) #輸出 conv1_1/weights:0 conv2_1/weights:0

2.下面來看看 tf.variable_scope(‘scope_name’)

tf.variable_scope() 主要結合 tf.get_variable() 來使用，實現 變量共享。

# 這里是正確的打開方式~~~可以看出，name 參數才是對象的唯一標識 import tensorflow as tf with tf.variable_scope('v_scope') as scope1:Weights1 = tf.get_variable('Weights', shape=[2,3])bias1 = tf.get_variable('bias', shape=[3])# 下面來共享上面已經定義好的變量 # note: 在下面的 scope 中的變量必須已經定義過了，才能設置 reuse=True，否則會報錯 with tf.variable_scope('v_scope', reuse=True) as scope2:Weights2 = tf.get_variable('Weights')print (Weights1.name) print (Weights2.name) # 可以看到這兩個引用名稱指向的是同一個內存對象 #輸出 v_scope/Weights:0 v_scope/Weights:0

也可以結合 tf.Variable() 一塊使用。

import tensorflow as tf # 注意， bias1 的定義方式 with tf.variable_scope('v_scope') as scope1:Weights1 = tf.get_variable('Weights', shape=[2,3]) # bias1 = tf.Variable([0.52], name='bias')# 下面來共享上面已經定義好的變量 # note: 在下面的 scope 中的get_variable()變量必須已經定義過了，才能設置 reuse=True，否則會報錯 with tf.variable_scope('v_scope', reuse=True) as scope2:Weights2 = tf.get_variable('Weights')bias2 = tf.Variable([0.52], name='bias')print (Weights1.name) print (Weights2.name) print (bias2.name) #輸出：
v_scope/Weights:0 v_scope/Weights:0 v_scope_1/bias:0#新的命名空間

如果 reuse=True 的scope中的變量沒有已經定義，會報錯！！

import tensorflow as tf # 注意， bias1 的定義方式 with tf.variable_scope('v_scope') as scope1:Weights1 = tf.get_variable('Weights', shape=[2,3])bias1 = tf.Variable([0.52], name='bias')print （Weights1.name） print （bias1.name）# 下面來共享上面已經定義好的變量 # note: 在下面的 scope 中的get_variable()變量必須已經定義過了，才能設置 reuse=True，否則會報錯 with tf.variable_scope('v_scope', reuse=True) as scope2:Weights2 = tf.get_variable('Weights')bias2 = tf.get_variable('bias', [1]) # ‘bias未定義，所以會報錯print (Weights2.name) print (bias2.name)# 這樣子的話就會報錯 # Variable v_scope/bias does not exist, or was not created with tf.get_variable() #輸出 v_scope/Weights:0 v_scope/bias:0

本文代碼：https://github.com/yongyehuang/Tensorflow-Tutorial

轉載https://www.cnblogs.com/adong7639/p/8136273.html

轉載于:https://www.cnblogs.com/gaofighting/p/9626584.html

總結

以上是生活随笔為你收集整理的tf.name_scope tf.variable_scope学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。