TensorFlow中的变量一般就是模型的参数。当模型复杂的时候共享变量会无比复杂。
例如，当创建两层conv过滤器时，每输入一批数据就会创建一次过滤器对应的变量，但是我们希望所有图片都共享同一过滤器变量，因此共有4个变量conv1_weights,conv1_biases,conv2_weights, conv2_biases。
通常的做法是将这些变量设置为全局变量 或 将模型封装成类。
不过TensorFlow提供了Variable Scope 这种独特的机制来共享变量。这个机制涉及两个主要函数：
tf.variable_scope('scopename')#管理传入变量的作用域
tf.get_variable('variblename',dtype,shape,initializer)#返回变量
def conv_relu(input, kernel_shape, bias_shape):
weights = tf.get_variable("weights", kernel_shape,
initializer=tf.random_normal_initializer())
biases = tf.get_variable("biases", bias_shape,
initializer=tf.constant_initializer(0.0))
conv = tf.nn.conv2d(input, weights,strides=[1, 1, 1, 1], padding='SAME')
return tf.nn.relu(conv + biases)
但是我们需要两个卷积层，这时可以通过tf.variable_scope()指定作用域进行区分，如 with tf.variable_scope(“conv1”)这行代码指定了第一个卷积层作用域为conv1，在这个作用域下有两个变量weights和biases。
def my_image_filter(input_images):
with tf.variable_scope("conv1"):
# Variables created here will be named "conv1/weights", "conv1/biases".
relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
with tf.variable_scope("conv2"):
# Variables created here will be named "conv2/weights", "conv2/biases".
return conv_relu(relu1, [5, 5, 32, 32], [32])
