with tf.variable_scope('V1'): a1 = tf.get_variable(name='a1', shape=[1], initializer=tf.constant_initializer(1)) with tf.variable_scope('V1', reuse=True): a3 = tf.get_variable('a1') with tf.Session() as sess: sess.run(tf.initialize_all_variables()) print a1.name print sess.run(a1) print a3.name print sess.run(a3) 或者下面的这个代码：

import tensorflow as tf;  
import numpy as np;  
import matplotlib.pyplot as plt;  
with tf.variable_scope('V1') as scope:
	a1 = tf.get_variable(name='a1', shape=[1], initializer=tf.constant_initializer(1))
 	scope.reuse_variables()
	a3 = tf.get_variable('a1')
with tf.Session() as sess:
	sess.run(tf.initialize_all_variables())
	print a1.name
	print sess.run(a1)
	print a3.name
	print sess.run(a3)
V1/a1:0
 [ 1.]
 V1/a1:0
 [ 1.]
 
分析：变量a1和a3一样的变量，名字和值都是一样的。
                    reuse为True的时候表示用tf.get_variable 得到的变量可以在别的地方重复使用例如：import tensorflow as tf;  import numpy as np;  import matplotlib.pyplot as plt;  with tf.variable_scope('V1'):	a1 = tf.get_variable(name='a1
				
scope参数用途
tensorflow的执行过程：1）定义Graphs，包括Variables和Operations 。2）创建session，运行Graphs
在定义Variables的时候，Scope相当于C++中的命名空间，可以用Scope来避免命名冲突，以及方便重用Variables。
with tf.variable_scope(scope, reuse=reuse):
    out = input
    out = layers.fully_connected(out, num_outpu
				
在TensorFlow中，可以通过变量名称来创建或获取一个变量。通过这种方式，在不同的函数中可以直接通过变量的名称来使用变量，而不需要将变量通过参数的形式传递。其主要由tf.get_variable和tf.variable_scope这两个函数实现。下面分别介绍如何使用这两个函数。
tf.get_variable和tf.Variable用法基本相同，最大的区别在于tf.Variable函数中的变量名称"name="是可选参数。但是对于tf.get_variable函数来说，变量名称是一个必填参数。
				
tf.get_variable(name,  shape, initializer):
name就是变量的名称，shape是变量的维度，initializer是变量初始化的方式，
初始化的方式有以下几种：
tf.constant_initializer：常量初始化函数
tf.random_normal_initializer：正态分布
tf.truncated_normal_initializer...
				
Reusing模式会被子vs继承
tf.get_variable_scope().reuse_variables()
print('"'+tf.get_variable_scope().name+'"', tf.get_variable_scope().reuse)
with tf.variable_scope('ss'): # ss是默认vs的子vs，故虽然没有使用reuse=True，wit...
tf.compat.v1.get_variable(
    name, shape=None, dtype=None, initializer=None, regularizer=None,
    trainable=None, collections=None, caching_device=None, partitioner=None,
    validate_shape=True, use_resource=None
				
tf.name_scope()对tf.get_variable_scope().reuse_variables() 不起作用
# tf.get_variable_scope().reuse_variables() 的使用
import tensorflow as tf
with tf.variable_scope('a1'):
    print(tf.get_variable_scope()....
				
方法一：模板：具体示例：方法二：模板：# -*- coding: utf-8 -*-import tensorflow as tf
from tensorflow.python.ops import variable_scope as vs    ### 改动部分 ###def func(..., reuse=False):    ### 改动部分 ###
    if reuse:
				
权值共享常使用的情况，一些需要共享的变量，比如神经网络里面的权重，word embedding这种变量，这样就会选择使用共享变量。而比如global_step这种仅仅用来追踪训练步数的变量，它并不是trainable的，那么直接用tf.Variable()方法。
tf.get_variable()
tf.get_variable(
    name,   #name是一个必填参数，与之前见...
tensorflow中的变量
1   tf.Variable与tf.get_variable创建变量
2   tf.variable_scope()与tf.get_variable的配合使用
3 使用tf.get_variable的好处
				
本文介绍了tensorflow中的tf.get_variable和tf.variable_scope方法。本文通过CNN网络为例，参考《深入理解Tensorflow架构设计与实现原理》。
文章目录局部变量及不足全局变量及不足tensorflow解决方法tf.get_variabletf.variable_scope参考资料
局部变量及不足
下面给出两层卷积层模型的代码，下面的代码，看起来非常简单、...
				
scope 命名方法先说结论：
tf.get_variable() 以及 tf.Variable() 是 TensorFlow 中创建变量的两种主要方式；
如果在 tf.name_scope() 环境下分别使用 tf.get_variable() 和 tf.Variable()，两者的主要区别在于  
tf.get_variable() 创建的变量名不受 name_scope 的影响；
tf.get
				
TensorFlow用于变量管理的函数主要有两个： tf. get_variable()和tf.variable_scope()，
前者用于创建和获取变量的值，后者用于生成上下文管理器，创建命名空间，命名空间可以嵌套。
函数tf.get_variable()既可以创建变量，也可以获取变量。控制创建还是获取的开关来自函数tf.variable.scope()中的参数reuse为“True”还是"Fa...
				
一. 函数的作用
该函数的主要作用是获取已存在的变量(要求不仅名字，而且初始化方法等各个参数都一样)，若发现不存在则新建一个新变量；其可以采用各种初始化方法，不用明确指定值。
(与之相比的tf.Variable()则是每次均新建一个值)
二. 函数的参数说明
1. 函数的整体结构如下：
tf.get_variable(name, shape, dtype, initializer, re...
				
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
with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
   ...:     v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
   ...:     v = tf.get_variable("v", [1])
v.name
				
tensorflow中通过共享 变量作用域(variable_scope)来实现共享变量 ，节约变量存储空间 。
TensorFlow用于变量管理的函数主要有两个：
tf. get_variable() 用于创建或获取变量的值
tf.variable_scope() 用于生成上下文管理器，创建命名空间，命名空间可以嵌套。
函数**tf.get_variable()**既可以创建变量，也可以获取...
				
tf.variable_scope用于创建变量作用域，可以在同一个作用域内共享变量。使用tf.get_variable()函数创建变量时，可以指定变量所在的作用域。例如：
with tf.variable_scope('my_scope'):
    var1 = tf.get_variable('var1', shape=[2, 3])
    var2 = tf.get_variable('var2', shape=[3, 4])
在这个例子中，var1和var2都在名为'my_scope'的作用域内。如果在同一个作用域内再次定义同名的变量，会抛出异常。
需要注意的是，如果在作用域内使用tf.get_variable()创建变量，那么变量名必须是唯一的，否则会抛出异常。如果想要共享变量，可以使用tf.variable_scope()的reuse参数，例如：
with tf.variable_scope('my_scope'):
    var1 = tf.get_variable('var1', shape=[2, 3])
    tf.get_variable_scope().reuse_variables()
    var2 = tf.get_variable('var1')
在这个例子中，var1和var2共享同一个变量。