TF之RNN：TF的RNN中的常用的两种定义scope的方式get_variable和Variable

输出结果

代码设计

# tensorflow中的两种定义scope(命名变量)的方式tf.get_variable和tf.Variable。Tensorflow当中有两种途径生成变量 variable

import tensorflow as tf

#T1法  tf.name_scope()

with tf.name_scope("a_name_scope"):

   initializer = tf.constant_initializer(value=1)  #定义常量

   var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32, initializer=initializer)  #创建变量

   var2 = tf.Variable(name='var2', initial_value=[2], dtype=tf.float32)

   var21 = tf.Variable(name='var2', initial_value=[2.1], dtype=tf.float32)

   var22 = tf.Variable(name='var2', initial_value=[2.2], dtype=tf.float32)

with tf.Session() as sess:

   sess.run(tf.global_variables_initializer())

   #以下打印出每一种Variable的名字及其值

   print(var1.name)        # var1:0

   print(sess.run(var1))   # [ 1.]

   print(var2.name)        # a_name_scope/var2:0

   print(sess.run(var2))   # [ 2.]

   print(var21.name)       # a_name_scope/var2_1:0

   print(sess.run(var21))  # [ 2.0999999]

   print(var22.name)       # a_name_scope/var2_2:0

   print(sess.run(var22))  # [ 2.20000005]

#使用 tf.Variable()定义的时候, 虽然 name都一样, 但是为了不重复变量名, Tensorflow输出的变量名并不是一样的.

#所以, 本质上 var2, var21, var22 并不是一样的变量.

#而另一方面, 使用tf.get_variable()定义的变量不会被tf.name_scope()当中的名字所影响.