2020-05-13 关于tf中input_feed = {mo

记录自己的菜。

tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量。
因此在传值的时候只需要在命名空间中对响应的name赋值就好，例如：

input_feed = {model.x.name: x}

上面的用于传值的代码是key-value的dict()，其中key为model中成员变量x所对应的name。

• tf中变量的创建
  以下两个定义是等价的
  fir:
  v = tf.get_variable('v', shape=[1], \ initializer=tf.constant_initializer(1.0))
  sec:
  v = tf.Variable(tf.constant(1.0, shape=[1], name='v')
  二者的最大区别在于：tf.Variable的变量名是一个可选项，通过name='v'的形式给出。但是tf.get_variable必须指定变量名。
• tf命名空间管理
  命名空间管理的功能涉及到tf.variable_scope，tf.name_scope两个函数，大部分情况下二者是等价的，唯一的区别是在使用tf.get_variable函数时。

  with tf.variable_scope('foo'):
      a = tf.get_variable('bar',shape =[1])
      print(a.name) # foo/bar:0
  
  with tf.name_scope('aoo'):
      a=tf.Variable([1])
      print(a.name) # aoo/Variable:0
      b=tf.get_variable('b',[1])
      print(b.name) # b:0
  

  由上面的 print()结果可以看出tf.get_variable创建的变量并不是aoo/b:0，而是b:0。这就表示了在tf.name_scope函数下，tf.get_variable不受其约束。
• 命名空间的作用
  同一个空间下，变量名不能相同。就好像在同一个家庭中，两个家庭成员一般不会取同样的名字，不然在叫人（调用）的时候会产生混淆。因此在同一个在命名空间中创建相同的变量或报错。如：

  with tf.variable_scope('foo'):
      v = tf.get_variable('v',  \
  [1],initializer=tf.constant_initializer(1.0))
  
  with tf.variable_scope('foo'):
      v1 = tf.get_variable('v',[1])
  

  错误信息：Variable foo/v already exists, disallowed.Did you mean to set reuse=True in Varscope?
  其原因就是在命名空间foo中创建了相同的变量。如果要在foo下创建变量v1，其name='v'，只需要将reuse设置为Ture。

  with tf.variable_scope('foo', reuse=True):
      v1 = tf.get_variable('v',[1])
      print(v1.name) # foo/v
  

  结论：参数reuse=False，tf.variable_scope创建变量；reuse=True，tf.variable_scope获取变量。

Done