Tensorflow 为什么要使用tf.name\u scope（）

我一直在读他们写的TensorFlow教程

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

榜样

a = tf.constant(5)

及

---

似乎也有同样的效果。那么，为什么我们要使用

name\u scope

？

它们不是一回事

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

印刷品

Const:0
s1/Const:0

---

顾名思义，scope函数为您在其中创建的操作的名称创建一个作用域。这对如何引用张量、重用、在TensorBoard中如何显示图形等都有影响。

我看不到重用常量的用例，但这里有一些关于范围和变量共享的相关信息

范围

• name\u scope

  将把scope作为前缀添加到所有操作中

• variable\u scope

  将把scope作为前缀添加到所有变量和操作中

实例化变量

• tf.Variable（）
  

• tf.get\u variable（）

  构造函数忽略

  name\u范围

  ，只在name前面加上当前

  variable\u范围

例如：

带有tf.variable\u scope（“variable\u scope”）：
使用tf.name\u scope（“name\u scope”）：
var1=tf.get_变量（“var1”，[1]）
使用tf.variable_scope（“variable_scope”）：
使用tf.name\u scope（“name\u scope”）：
var2=tf.Variable（[1]，name=“var2”）

产生

var1=
var2=

重用变量

• 始终使用

  tf.variable\u 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\u variables（）

  ，如下所示

带有tf.variable_scope（“scope”）：
var1=tf.get_变量（“variable1”[1]）
tf.get_variable_scope（）.重用_variables（）
var2=tf.get_变量（“variable1”[1]）
断言var1==var2

• tf.Variable（）

  总是创建一个新变量，当一个变量用一个已经使用过的名称构造时，它只是在它后面附加

  \u 1

  ，

  \u 2

  等-这可能会导致冲突：(

---

我将尝试使用一些松散但易于理解的语言来解释
名称范围
通常用于将一些变量组合在一个op中。也就是说，它给出了关于此op中包含多少变量的解释。但是，对于这些变量，不考虑它们的存在。您只知道，好的，要完成此op，我需要准备这个、这个和这个变量。实际上，在使用

tensorboard

时，它会有所帮助你可以把变量绑定在一起，这样你的图就不会乱七八糟了
可变范围
将其视为一个抽屉。与名称空间相比，这更具有“物理”意义，因为这样的抽屉确实存在；相反，名称空间只是帮助理解包含哪些变量

---

自变量空间以来“物理”存在，所以它限制了，因为这个变量已经存在，你不能重新定义它，如果你想多次使用它们，你需要指出

重用

谢谢你的回答。你能告诉我如何重用c1和c2吗？@VibhorKanojia将它们定义为tf.变量吗？问得好！

Const:0
s1/Const:0