TensorFlow函数：tf.variable_scope

tf.variable_scope函数

variable_scope类

定义在：tensorflow/python/ops/variable_scope.py

请参阅指南：变量>共享变量

用于定义创建变量(层)的操作的上下文管理器.

此上下文管理器验证(可选)values是否来自同一图形,确保图形是默认的图形,并推送名称范围和变量范围.

如果name_or_scope不是None,则使用as is.如果scope是None,则使用default_name.在这种情况下,如果以前在同一范围内使用过相同的名称,则通过添加_N来使其具有唯一性.

变量范围允许您创建新变量并共享已创建的变量,同时提供检查以防止意外创建或共享.在本文中我们提供了几个基本示例.

示例1-如何创建一个新变量：

with tf.variable_scope("foo"):
    with tf.variable_scope("bar"):
        v = tf.get_variable("v", [1])
        assert v.name == "foo/bar/v:0"

示例2-共享变量AUTO_REUSE：

def foo():
  with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
    v = tf.get_variable("v", [1])
  return v

v1 = foo()  # Creates v.
v2 = foo()  # Gets the same, existing v.
assert v1 == v2

示例3-使用reuse=True共享变量：

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
    v1 = tf.get_variable("v", [1])
assert v1 == v

示例4-通过捕获范围并设置重用来共享变量：

with tf.variable_scope("foo") as scope:
    v = tf.get_variable("v", [1])
    scope.reuse_variables()
    v1 = tf.get_variable("v", [1])
assert v1 == v

为了防止意外共享变量,我们在获取非重用范围中的现有变量时引发异常.

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
    v1 = tf.get_variable("v", [1])
    #  Raises ValueError("... v already exists ...")

同样,我们在尝试获取重用模式中不存在的变量时引发异常.

with tf.variable_scope("foo", reuse=True):
    v = tf.get_variable("v", [1])
    #  Raises ValueError("... v does not exists ...")

请注意,reuse(重用)标志是有继承性的：如果我们打开一个重用范围,那么它的所有子范围也会重用.

关于名称范围的说明：设置reuse不会影响其他操作(如多重)的命名.

请注意,1.0版本开始(包含)允许(虽然明确劝阻)将False传递给重用参数,从而产生与None无关的未记录行为.从1.1.0版本开始传递None和False作为重用具有完全相同的效果.

方法

__init__

__init__(
    name_or_scope,
    default_name=None,
    values=None,
    initializer=None,
    regularizer=None,
    caching_device=None,
    partitioner=None,
    custom_getter=None,
    reuse=None,
    dtype=None,
    use_resource=None,
    constraint=None,
    auxiliary_name_scope=True
)

用于初始化上下文管理器.

参数：

• name_or_scope：string或者VariableScope表示打开的范围.
• default_name：如果name_or_scope参数为None,则使用默认的名称,该名称将是唯一的；如果提供了name_or_scope,它将不会被使用,因此它不是必需的,并且可以是None.
• values：传递给操作函数的Tensor参数列表.
• initializer：此范围内变量的默认初始值设定项.
• regularizer：此范围内变量的默认正规化器.
• caching_device：此范围内变量的默认缓存设备.
• partitioner：此范围内变量的默认分区程序.
• custom_getter：此范围内的变量的默认自定义吸气.
• reuse：可以是True、None或tf.AUTO_REUSE；如果是True,则我们进入此范围的重用模式以及所有子范围；如果是tf.AUTO_REUSE,则我们创建变量(如果它们不存在),否则返回它们；如果是None,则我们继承父范围的重用标志.当启用紧急执行时,该参数总是被强制为tf.AUTO_REUSE.
• dtype：在此范围中创建的变量类型(默​​认为传入范围中的类型,或从父范围继承).
• use_resource：如果为false,则所有变量都将是常规变量；如果为true,则将使用具有明确定义的语义的实验性 ResourceVariables.默认为false(稍后将更改为true).当启用紧急执行时,该参数总是被强制为true.
• constraint：一个可选的投影函数,在被Optimizer(例如用于实现层权重的范数约束或值约束)更新之后应用于该变量.该函数必须将代表变量值的未投影张量作为输入,并返回投影值的张量(它必须具有相同的形状).进行异步分布式培训时,约束条件的使用是不安全的.
• auxiliary_name_scope：如果为True,则我们用范围创建一个辅助名称范围；如果为False,则我们不接触名称范围.

返回值：

返回可以捕获和重用的范围.

可能引发的异常：

• ValueError：在创建范围内尝试重用时,或在重用范围内创建时.
• TypeError：某些参数的类型不合适时.

__enter__

__enter__()

__exit__

__exit__(
    type_arg,
    value_arg,
    traceback_arg
)