我一直在阅读他们写过的tensorflow教程
with tf.name_scope('read_inputs') as scope:
<insert code here>
我怀疑为什么我们使用name_scope？
1) a = tf.constant(5)
2) with tf.name_scope('s1') as 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？
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，范围函数为其创建了一个范围 名 你在里面创建的操作。这会影响您如何引用张量，重用，图表在TensorBoard中的显示方式等等。
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，范围函数为其创建了一个范围 名 你在里面创建的操作。这会影响您如何引用张量，重用，图表在TensorBoard中的显示方式等等。
我没有看到重用常量的用例，但这里有一些关于范围和变量共享的相关信息。
领域
name_scope 将范围添加为所有操作的前缀
variable_scope 将范围添加为所有变量和操作的前缀
实例化变量
tf.Variable() constructer前缀变量名与current name_scope 和 variable_scope
tf.get_variable() 构造函数忽略 name_scope 并且只有当前名称的前缀 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
一直用 tf.variable_scope 定义共享变量的范围
重用变量的最简单方法是使用 reuse_variables() 如下所示
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() 总是创建一个新变量，当一个变量是用它刚刚附加的已经使用的名称构造的 _1， _2 等它 - 这可能会导致冲突:(