0. 为什么需要
共享变量:
减少需要训练的参数的个数
多机多卡并行化训练避免变量名和操作名重复
1. tf.Variable 和 tf.get_variable
tf.Variable:
与 tf.name_scope 配合使用，用于创建一个新变量，在同一个name_scope下面，可以创建相同名字的变量，底层实现会自动引入别名机制。
tf.get_variable:
与 tf.variable_scope 配合使用，不受name_scope的约束。查找全称为 当前variable_scope + name 的变量：
- 如果变量不存在，则自动创建一个变量。
- 如果有重名的变量：
- 变量已经设置为共享：返回同名变量
- 变量名没有设置为共享变量时：报错
2. tf.name_scope, tf.variable_scope
tf.name_scope
主要用于管理一个图里面的各种op，返回的是一个以scope_name命名的context manager。一个graph会维护一个name_space的堆，每一个namespace下面可以定义各种op或者子namespace，实现一种层次化有条理的管理，避免各个op之间命名冲突。
tf.variable_scope
一般与tf.name_scope()配合使用，用于管理变量的名字，避免变量之间的命名冲突，可以嵌套使用。允许在一个variable_scope下面共享变量。
3. 注意
- 在 variable_scope 里面的 variable_scope 会继承上层的 reuse 值，即上面一层开启了 reuse ，则下面的也跟着开启。但是不能人为的设置 reuse 为 false ，只有退出 variable_scope 才能让 reuse 变为 false。
with tf.variable_scope("root"):
# At start, the scope is not reusing.
assert tf.get_variable_scope().reuse == False
with tf.variable_scope("foo"):
# Opened a sub-scope, still not reusing.
assert tf.get_variable_scope().reuse == False
with tf.variable_scope("foo", reuse=True):
# Explicitly opened a reusing scope.
assert tf.get_variable_scope().reuse == True
with tf.variable_scope("bar"):
# Now sub-scope inherits the reuse flag.
assert tf.get_variable_scope().reuse == True
# Exited the reusing scope, back to a non-reusing one.
assert tf.get_variable_scope().reuse == False- 当在某一 variable_scope 内使用别的 scope 的名字时，此时不再受这里的等级关系束缚，直接与使用的 scope 的名字一样：
with tf.variable_scope("foo") as foo_scope:
assert foo_scope.name == "foo"
with tf.variable_scope("bar")
with tf.variable_scope("baz") as other_scope:
assert other_scope.name == "bar/baz"
with tf.variable_scope(foo_scope) as foo_scope2:
assert foo_scope2.name == "foo" # Not changed.- name_scope 只会影响 ops 和 tf.Variable() 的名字，而并不会影响 get_variable() 的名字。当我们用with tf.variable_scope(“name”)时，这就间接地开启了一个tf.name_scope(“name”)
with tf.variable_scope("foo"):
with tf.name_scope("bar"):
v = tf.get_variable("v", [1])
x = 1.0 + v
assert v.name == "foo/v:0"
assert x.op.name == "foo/bar/add"