tensorflow variable_scope\name_scope

转载自http://blog.csdn.net/u011636567/article/details/71124211

转载自http://blog.csdn.net/qq_19918373/article/details/69499091

为了研究一下tensorflow的

name_scope

和

variable_scope

到底有啥区别，我对Variable和Summary对象分别试验了这两种scope。直接上代码：

1.对Variable先加

name_scope

，再加

variable_scope

import tensorflow as tf

with tf.name_scope('ns1'):          #name_scope
v1 = tf.get_variable('v1', shape=(1,))
with tf.variable_scope('vs1'):  #variable_scope
v2 = tf.get_variable('v2', shape=(1,))

v1v2_coll = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='ns1') #[]
v2_coll = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='vs1')   #'vs1/v2:0'
#name_scope对变量无效， 'vs1/v2:0'的prefix里没有'ns1/'

1
2
3
4
5
6
7
8
9
10

2.对Variable先加

variable_scope

，再加

name_scope

with tf.variable_scope('vs2'):      #variable_scope
v1 = tf.get_variable('v1', shape=(1,))
with tf.name_scope('ns2'):      #name_scope
v2 = tf.get_variable('v2', shape=(1,))

v1v2_coll = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='vs2') #'vs2/v1:0'
v2_coll = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='ns2')   #[]
#name_scope对变量无效， 'vs2/v1:0'的prefix里没有'ns2/'

1
2
3
4
5
6
7
8

3.对Summary先加

name_scope

，再加

variable_scope

with tf.name_scope('ns3'):          #name_scope
tf.summary.histogram('sum_ns', tf.convert_to_tensor([1]))
with tf.variable_scope('vs3'):  #variable_scope
tf.summary.histogram('sum_nsvs', tf.convert_to_tensor([1]))

sum_ns_coll = tf.get_collection(tf.GraphKeys.SUMMARIES,scope='ns3')
#'ns3/sum_ns:0', 'ns3/vs3/sum_vs:0'
sum_nsvs_coll = tf.get_collection(tf.GraphKeys.SUMMARIES,scope='ns3/vs3')
#'ns3/vs3/sum_nsvs:0'

1
2
3
4
5
6
7
8
9

4.对Summary先加

variable_scope

，再加

name_scope

with tf.variable_scope('vs4'):      #variable_scope
tf.summary.histogram('sum_vs', tf.convert_to_tensor([1]))
with tf.name_scope('ns4'):      #name_scope
tf.summary.histogram('sum_ns', tf.convert_to_tensor([1]))

sum_vs_coll = tf.get_collection(tf.GraphKeys.SUMMARIES,scope='vs4')
#'vs4/sum_vs:0', 'vs4/ns4/sum_ns:0'
sum_vsns_coll = tf.get_collection(tf.GraphKeys.SUMMARIES,scope='vs4/ns4')
#'vs4/ns4/sum_ns:0'

还有需要注意一点的是

tf.variable_scope("name")

 与 

tf.variable_scope(scope)

的区别，看下面代码

代码1

import tensorflow as tf
with tf.variable_scope("scope"):
tf.get_variable("w",shape=[1])#这个变量的name是 scope/w
with tf.variable_scope("scope"):
tf.get_variable("w", shape=[1]) #这个变量的name是 scope/scope/w
# 这两个变量的名字是不一样的，所以不会产生冲突

1
2
3
4
5
6

代码2

import tensorflow as tf
with tf.variable_scope("yin"):
tf.get_variable("w",shape=[1])
scope = tf.get_variable_scope()#这个变量的name是 scope/w
with tf.variable_scope(scope):#这种方式设置的scope，是用的外部的scope
tf.get_variable("w", shape=[1])#这个变量的name也是 scope/w
# 两个变量的名字一样，会报错

主要针对 tf.get_variable 来介绍共享变量的用法。

tf.get_variable 与 tf.variable 的用法不同。前者在创建变量时会查名字，如果给的名字在之前已经被别的变量占用，则会报错，不会创建相应变量。而后者并不进行检查，如果有重复，则自动的修改名字，加上数字来进行区别。所以从这来看要想共享变量并不能通过使用相同的名字来调用多次 tf.get_variable
和 tf.variable 做到。

比如下面这样的代码：

[python] view
plain copy

<span style="font-size:14px;">def my_image_filter(input_images):  

    conv1_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),  

        name="conv1_weights")  

    conv1_biases = tf.Variable(tf.zeros([32]), name="conv1_biases")  

    conv1 = tf.nn.conv2d(input_images, conv1_weights,  

        strides=[1, 1, 1, 1], padding='SAME')  

    relu1 = tf.nn.relu(conv1 + conv1_biases)  

  

    conv2_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),  

        name="conv2_weights")  

    conv2_biases = tf.Variable(tf.zeros([32]), name="conv2_biases")  

    conv2 = tf.nn.conv2d(relu1, conv2_weights,  

        strides=[1, 1, 1, 1], padding='SAME')  

    return tf.nn.relu(conv2 + conv2_biases)</span>  

在这个函数中，我们有 'conv1_weights'，'conv1_biases'，'conv2_weights'，'conv2_biases'
4个变量。如果我们重用这个函数，则会产生多组变量，并不会使用相同的变量，如下面调用：

[python] view
plain copy

<span style="font-size:14px;"># First call creates one set of variables.  

result1 = my_image_filter(image1)  

# Another set is created in the second call.  

result2 = my_image_filter(image2)</span>  

上面实际上用两个不同的滤波器对 image1 和 image2 进行滤波，虽然用的是相同的函数。所以呢，这就产生了问题，下面介绍如何进行变量共享。

我们使用 with tf.variable_scope 来进行共享。比如有下面的代码：

[python] view
plain copy

<span style="font-size:14px;">def conv_relu(input, kernel_shape, bias_shape):  

    # Create variable named "weights".  

    weights = tf.get_variable("weights", kernel_shape,  

        initializer=tf.random_normal_initializer())  

    # Create variable named "biases".  

    biases = tf.get_variable("biases", bias_shape,  

        initializer=tf.constant_intializer(0.0))  

    conv = tf.nn.conv2d(input, weights,  

        strides=[1, 1, 1, 1], padding='SAME')  

    return tf.nn.relu(conv + biases)  

def my_image_filter(input_images):  

    with tf.variable_scope("conv1"):  

        # Variables created here will be named "conv1/weights", "conv1/biases".  

        relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])  

    with tf.variable_scope("conv2"):  

        # Variables created here will be named "conv2/weights", "conv2/biases".  

        return conv_relu(relu1, [5, 5, 32, 32], [32])</span>  

若要调用两次 my_image_filter 并且使用相同的变量，则如下所示：

[python] view
plain copy

<span style="font-size:14px;">with tf.variable_scope("image_filters") as scope:  

    result1 = my_image_filter(image1)  

    scope.reuse_variables()  

    result2 = my_image_filter(image2)</span>  

利用 reuse_variables() 来使变量重用。值得注意的是下面的代码解释了 tf.get_variable 工作原理：

[python] view
plain copy

<span style="font-size:14px;">with tf.variable_scope("foo"):  

    v = tf.get_variable("v", [1])  

with tf.variable_scope("foo", reuse=True):  

    v1 = tf.get_variable("v", [1])  

assert v1 == v</span>  

如果 reuse 开启，当检查到有相同的名字时，直接返回那个有相同名字的变量而不是重新定义一个再复制值。

下面是使用时需要注意的地方

1. 在 variable_scope 里面的 variable_scope 会继承上面的 reuse 值，即上面一层开启了 reuse ，则下面的也跟着开启。但是不能人为的设置 reuse 为 false ，只有退出 variable_scope 才能让 reuse 变为 false：

[python] view
plain copy

<span style="font-size:14px;">with tf.variable_scope("root"):  

    # At start, the scope is not reusing.  

    assert tf.get_variable_scope().reuse == False  

    with tf.variable_scope("foo"):  

        # Opened a sub-scope, still not reusing.  

        assert tf.get_variable_scope().reuse == False  

    with tf.variable_scope("foo", reuse=True):  

        # Explicitly opened a reusing scope.  

        assert tf.get_variable_scope().reuse == True  

        with tf.variable_scope("bar"):  

            # Now sub-scope inherits the reuse flag.  

            assert tf.get_variable_scope().reuse == True  

    # Exited the reusing scope, back to a non-reusing one.  

    assert tf.get_variable_scope().reuse == False</span>  

2. 当在某一 variable_scope 内使用别的 scope 的名字时，此时不再受这里的等级关系束缚，直接与使用的 scope 的名字一样：

[python] view
plain copy

<span style="font-size:14px;">with tf.variable_scope("foo") as foo_scope:  

    assert foo_scope.name == "foo"  

with tf.variable_scope("bar")  

    with tf.variable_scope("baz") as other_scope:  

        assert other_scope.name == "bar/baz"  

        with tf.variable_scope(foo_scope) as foo_scope2:  

            assert foo_scope2.name == "foo"  # Not changed.</span>  

3. name_scope 与 variable_scope 稍有不同。name_scope 只会影响 ops 的名字，而并不会影响 variables 的名字。

[python] view
plain copy

<span style="font-size:14px;">with tf.variable_scope("foo"):  

    with tf.name_scope("bar"):  

        v = tf.get_variable("v", [1])  

        x = 1.0 + v  

assert v.name == "foo/v:0"  

assert x.op.name == "foo/bar/add"</span>