Variable centers already exists, disallowed.已存在变量名问题

最近在学习分类网络，想去尝试用center_loss去提升分类效果。观看了这篇博客在Keras使用center-losss损失函数Keras自定义损失函数，感觉思路挺清晰，代码段也不复杂，就决定试一试。但当我将center_loss插入我的模型后出现了这样的问题：代码训练正常，但在读取已经训练好的模型进行分类测试时会报错。

ValueError: Variable centers already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:

  File "D:anacandaenvsTFlibsite-packagestensorflow_corepythonframeworkops.py", line 1756, in __init__
    self._traceback = tf_stack.extract_stack()
  File "D:anacandaenvsTFlibsite-packagestensorflow_corepythonframeworkops.py", line 3322, in _create_op_internal
    op_def=op_def)
  File "D:anacandaenvsTFlibsite-packagestensorflow_corepythonframeworkop_def_library.py", line 742, in _apply_op_helper
    attrs=attr_protos, op_def=op_def)
  File "D:anacandaenvsTFlibsite-packagestensorflow_corepythonopsgen_state_ops.py", line 1527, in variable_v2
    shared_name=shared_name, name=name)
  File "D:anacandaenvsTFlibsite-packagestensorflow_corepythonopsstate_ops.py", line 79, in variable_op_v2
    shared_name=shared_name)

然后我便开始了解决这一问题的艰辛经历。
首先，我看到网上的很多答案都是让在代码前加上这句话：

tf.reset_default_graph()

但是我加上之后会出现另一个错误

ValueError: Tensor("ArgMax:0", shape=(?,), dtype=int64) must be from the same graph as Tensor("metrics/categorical_accuracy/ArgMax:0", shape=(?,), dtype=int64).

需要删除之前添加的那句话才能解决。
因为代码中构建变量用的是 tf.get_variable ，可以按报错信息将参数reuse=True设置好。但是可惜的是我用的是TF2.1的版本，涉及到版本问题需要调用TF1.x的包，并提示我reuse这个参数不存在，也不行重新安装版本随即放弃。

后来在这篇博客TensorFlow : name_scope和variable_scope 区别分析里，找到了解决方法。将报错中的变量centers共享即可。
更改前的代码：

    # 设置trainable=False是因为样本中心不是由梯度进行更新的
    
    centers = tf.get_variable('centers', [num_classes, len_features], dtype=tf.float32,initializer=tf.constant_initializer(0), trainable=False)

    # 将label展开为一维的，如果labels已经是一维的，则该动作其实无必要
    labels = tf.reshape(labels, [-1])

更改后的代码：

    # 设置trainable=False是因为样本中心不是由梯度进行更新的
    with tf.variable_scope('varScope', reuse=tf.AUTO_REUSE):
         centers = tf.get_variable('centers', [num_classes, len_features], dtype=tf.float32,initializer=tf.constant_initializer(0), trainable=False)

    # 将label展开为一维的，如果labels已经是一维的，则该动作其实无必要
    labels = tf.reshape(labels, [-1])

然后就可以运行出结果啦，用了center_loss之后对于我的数据集而言分类的准确率会提高一点。
其实就是增加tf.variable_scope语句，然后将reuse参数设置为reuse=tf.AUTO_REUSE。

希望我的小小分享会对你有帮助