tf.name_scope与tf.variable_scope区别

忘是亡心i 2023-08-17 16:50 58阅读 0赞

命名机制与变量共享

Variable 变量 (一般表达参数)、Tensor(操 作输出)、操作 Operation、Placeholder 输 入都有名字

当模型复杂的时候，需要有效的命名机制: 方便、清晰  
TF 中的命名机制

有效的命名机制:

起名方便 (不用从 w1 起到 w1024…)  
    甚至不显式写名，也能自动给个好找的名字 3. 同时避免重名带来的名字冲突

TF 采用 scope, 一种层级的命名管理机制:例:vgg16/conv1/w:0  
用一级级的 scope 名字空间来管理变量  
可以不用显示起名，TF 会按规则自动起名

两种 scope:tf.name\_scope, tf.variable\_scope 用于给名字一级一级 指定管理空间，例如:

with tf.name_scope('name_sp1') as scp1:
        with tf.variable_scope('var_scp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable(1, name='a') #name_sp1/var_scp2/name_scp3/a:0

tf.name\_scope, tf.variable\_scope 主要对 tf.get\_variable 创建的变  
量管理有区别，主要涉及变量重用  
tf.name\_scope, tf.variable\_scope 管理方式的异同

对 Tensor 或 tf.Variable 创建的变量，tf.name\_scope, tf.variable\_scope 管理基本相同，一层层加前缀;无视 python 自带 name\_scope 限制; 无视 variable\_scope 的 reuse

Tensor,tf.Variable 不起名，TF 用操作名起名 (Variable,Add …+value\_index (:0,:1…):tensor 第几个输出); 起重名，TF 会改为 不一样的 name(\_1,\_2…); 对应的 Op, 没有 value\_index

with tf.name_scope('name_sp1') as scp1:
        with tf.variable_scope('var_scp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable(1, name='a')
                print(a) #name_sp1/var_scp2/name_scp3/a:0
                a1 = tf.Variable(1, name='a')
                print(a1) #name_sp1/var_scp2/name_scp3/a_1:0         
                b=tf.Variable(1)
                print(b) #name_sp1/var_scp2/name_scp3/Variable:0     
                c=tf.Variable(1)
                print(c) #name_sp1/var_scp2/name_scp3/Variable_1:0
                a_b=tf.add(a,b)
                print(a_b) #name_sp1/var_scp2/name_scp3/Add:0
                a_c=tf.add(a,c)
                print(a_c) #name_sp1/var_scp2/name_scp3/Add_1:0

tf.name\_scope, tf.variable\_scope 的异，主要针对对 tf.get\_variable 创建变量

tf.variable\_scope 主要是配合 tf.get\_variable 进行变量重用 (共享)

variable 两种创建方式:tf.Variable, tf.get\_variable  
设计目的不同, 创建方式不同:一个主要用于新创建，一个主要用 于重用

a=tf.Variable(initial\_value=\[4.\], name=’var4’, dtype=tf.float32)  
    b=tf.get\_variable(name=’var3’, shape=\[1\], dtype=tf.float32, initializer=initializer)  
    tf.Variable:initial\_value(直接数值或初始化值函数) 必显式初始化; tf.get\_variable:initializer(初始化算子 xxx\_initilizer) 可选  
    创建新变量:tf.Variable:name 可重 (TF 自动别名);tf.get\_variable: name 不能重

tf.get\_variable:无视 name\_scope, 只看 variable\_scope

with tf.name_scope('name_sp1') as scp1:
        with tf.variable_scope('var_scp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable(1, name='a')
                b = tf.get_variable('b',[1])

等同于

with tf.name_scope('name_sp1') as scp1:
        with tf.variable_scope('var_scp2') as scp2:
            with tf.name_scope('name_scp3') as scp3:
                a = tf.Variable(1, name='a')
    
    with tf.variable_scope('var_scp2') as scp2:
        b = tf.get_variable('b',[1])

tf.get\_variable 变量重用看 variable\_scope 的 reuse 属性，false 则 创建新变量，name 不能重  
reuse 下，tf.get\_variable:根据 name 值，返回该变量，如果该name 不存在的话，则进行创建。

get\_variable 重用变量需要看 variable\_scope 的 reuse 属性

with tf.variable\_scope('scp',reuse=True) as scp:  
    a = tf.get\_variable('a',\[1\]) \#报 错

reuse=True, 强制共享, 不存在共享变量，所以报错

with tf.variable_scope('scp',reuse=False) as scp:
        a = tf.get_variable('a',[1])
        a = tf.get_variable('a') # 报错

reuse=False, 强制创建, 已存在同名变量，报错慎用 tf.AUTOREUSE, 如果明确知道下面的变量是要重用的

with tf.variable_scope('scp',reuse=True) as scp:
        a = tf.get_variable('a')
        a = tf.get_variable('a') #a只 在 这 里 创 建 报 错

get\_variable 第一次创建，要至少给 shape

variable\_scope 的 reuse 属性另一种设置方法：  
variable\_scope 的 reuse 属性也可通过 scope.reuse\_variable 在名字  
空间内设置

import tensorflow as tf
    with tf.variable_scope('foo') as scp:
        aaa = tf.get_variable('aaa',[1]) bbb = tf.get_variable('bbb',[1])
        scope.reuse_variable()
        ccc = tf.get_variable('aaa')
    print (aaa.name) #foo/aaa:0
    print (bbb.name) #foo/bbb:0 print (ccc.name) #foo/aaa:0