为什么我们使用tf.name_scope()

Question

我一直在阅读他们写过的tensorflow教程

with tf.name_scope('read_inputs') as scope:
    # something

我怀疑为什么我们使用name_scope？

a = tf.constant(5)

1)和2)都是一样的.那么什么时候使用name_scope创造差异？

Answer 1

它们不是同一件事.

import tensorflow as tf
c1 = tf.constant(42)
with tf.name_scope('s1'):
    c2 = tf.constant(42)
print(c1.name)
print(c2.name)

版画

Const:0
s1/Const:0

顾名思义,范围函数为您在其中创建的操作的名称创建范围.这会影响你如何引用张量,重用,图表在TensorBoard中的显示方式等等.

Answer 2

我没有看到重用常量的用例，但是这里是有关范围和变量共享的一些相关信息。

范围

• name_scope 将范围添加为所有操作的前缀

• variable_scope 将范围作为所有变量和操作的前缀添加

实例化变量

• tf.Variable()构造函数为变量名加上当前name_scope和variable_scope

• tf.get_variable()构造函数忽略name_scope并且仅在当前名称前添加名称variable_scope

例如：

with tf.variable_scope("variable_scope"):
     with tf.name_scope("name_scope"):
         var1 = tf.get_variable("var1", [1])

with tf.variable_scope("variable_scope"):
     with tf.name_scope("name_scope"):
         var2 = tf.Variable([1], name="var2")

产生

var1 = <tf.Variable 'variable_scope/var1:0' shape=(1,) dtype=float32_ref>

var2 = <tf.Variable 'variable_scope/name_scope/var2:0' shape=(1,) dtype=string_ref>

重用变量

• 始终用于tf.variable_scope定义共享变量的范围

• 执行重用变量的最简单方法是使用reuse_variables()如下所示的

with tf.variable_scope("scope"):
    var1 = tf.get_variable("variable1",[1])
    tf.get_variable_scope().reuse_variables()
    var2=tf.get_variable("variable1",[1])
assert var1 == var2

• tf.Variable()总是创建一个新的变量，当变量与已经使用的名称，它只是追加建造_1，_2它等-这可能会导致冲突:(