TensorFlow # Scope,Name,Reuse参数意义及变量重用机制

tensorflow的执行过程：1）定义Graphs，包括Variables和Operations 。2）创建session，运行Graphs
在定义Variables的时候，Scope相当于C++中的命名空间，可以用Scope来避免命名冲突，以及方便重用Variables。

with tf.variable_scope(scope, reuse=reuse):
    out = input
    out = layers.fully_connected(out, num_outputs=num_units, activation_fn=tf.nn.relu)
    out = layers.fully_connected(out, num_outputs=num_units, activation_fn=tf.nn.relu)
    out = layers.fully_connected(out, num_outputs=num_outputs, activation_fn=None)
    return out

name参数用于保存变量、复用变量。

python中的变量名与计算图中的变量名显然无法共享，因此对于计算图有单独的命名

matrix_1 = tf.Variable([[1, 2], [2, 3]], name="v1")
matrix_2 = tf.Variable([[3, 4], [5, 6]], name="v2")
init = tf.initialize_all_variables()
saver = tf.train.Saver()
sess = tf.Session()
sess.run(init)
save_path = saver.save(sess, "/model.ckpt") # 保存变量以v1,v2命名
sess.close()

Python空间中的名称只是在脚本运行期间指向TensorFlow变量的临时指针。 在保存和恢复变量时，只使用TensorFlow名称的原因，因为脚本终止后Python命名空间不再存在，但Tensorflow命名空间仍然存在于保存的文件中。如果需要保存和恢复，请确保同一命名空间下的命名唯一。

tensorflow scope的作用TensorFlow中的name有什么用