尽管重用设置为true，Tensorflow仍创建新变量

这只是猜测，直到您向我们展示

SimpleRNN

SimpleRNN

tf.get_variable

tf.Variable

SimpleRNN

tf.Variable

要重现此行为：

import tensorflow as tfdef inference(x):    w = tf.Variable(1., name='w')    layer = x + w    return layerx = tf.placeholder(tf.float32)with tf.variable_scope('RNN'):    output = inference(x)with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    print(sess.run(output, {x: 10}))    with sess.as_default():        with tf.variable_scope('RNN', reuse=True): output2 = inference(x)    print(sess.run(output2, {x: 10}))

这给出了完全相同的错误：

尝试使用未初始化的值RNN_1 / w

但是，带有

w = tf.get_variable('w', initializer=1.)

w = tf.Variable(1.,name='w')

为什么？参见文档：

tf.get_variable:

使用这些参数获取现有变量或创建一个新变量。此函数在名称前加上当前变量作用域，并执行 重用检查 。

编辑 谢谢您的问题（我在您的问题中添加了keras标志）。现在，这正成为我最喜欢的向人们展示为什么使用Keras是他们做出的最糟糕决定的原因。

SimpleRNN在此处创建变量：

self.kernel = self.add_weight(shape=(input_shape[-1], self.units),     name='kernel',...)

这执行行

weight = K.variable(initializer(shape),         dtype=dtype,         name=name,         constraint=constraint)

它在这里结束了

v = tf.Variable(value, dtype=tf.as_dtype(dtype), name=name)

这是实施中的明显缺陷。在Keras以正确的方式使用TensorFlow之前（至少尊重

scopes

variable-collections

tf.layers