Question

这些功能之间有什么区别？

tf.variable_op_scope(values, name, default_name, initializer=None)

返回用于定义创建变量的op的上下文管理器。   此上下文管理器验证给定的值来自同一个图，确保该图是默认图，并推送名称范围和变量范围。

tf.op_scope(values, name, default_name=None)

返回定义Python操作时使用的上下文管理器。   此上下文管理器验证给定值是否来自同一图，确保该图是默认图，并推送名称范围。

tf.name_scope(name)

使用默认图表的Graph.name_scope()包装器。   有关详细信息，请参阅Graph.name_scope()。

tf.variable_scope(name_or_scope, reuse=None, initializer=None)

返回变量范围的上下文。   变量范围允许创建新变量并共享已创建的变量，同时提供检查以避免意外创建或共享。有关详细信息，请参阅变量范围操作方法，此处我们仅提供一些基本示例。

Answer 1

让我们从变量共享的简短介绍开始。它是TensorFlow中的一种机制，允许共享在代码的不同部分中访问的变量，而不传递对变量的引用。

方法tf.get_variable可以与变量的名称一起用作参数，以创建具有此类名称的新变量或检索之前创建的变量。这与使用tf.Variable构造函数不同，后者将在每次调用时创建一个新变量（如果已存在具有此类名称的变量，则可能会为变量名称添加后缀）。

为了变量共享机制的目的，引入了一种单独的范围（变量范围）。

因此，我们最终有两种不同类型的范围：

名称范围，使用tf.name_scope
变量范围，使用tf.variable_scope

两个范围对所有操作以及使用tf.Variable创建的变量具有相同的效果，即范围将作为操作或变量名称的前缀添加。

但是，tf.get_variable会忽略名称范围。我们可以在以下示例中看到：

with tf.name_scope("my_scope"):
    v1 = tf.get_variable("var1", [1], dtype=tf.float32)
    v2 = tf.Variable(1, name="var2", dtype=tf.float32)
    a = tf.add(v1, v2)

print(v1.name)  # var1:0
print(v2.name)  # my_scope/var2:0
print(a.name)   # my_scope/Add:0

在范围内放置使用tf.get_variable访问的变量的唯一方法是使用变量范围，如下例所示：

with tf.variable_scope("my_scope"):
    v1 = tf.get_variable("var1", [1], dtype=tf.float32)
    v2 = tf.Variable(1, name="var2", dtype=tf.float32)
    a = tf.add(v1, v2)

print(v1.name)  # my_scope/var1:0
print(v2.name)  # my_scope/var2:0
print(a.name)   # my_scope/Add:0

这使我们可以轻松地在程序的不同部分共享变量，即使在不同的名称范围内：

with tf.name_scope("foo"):
    with tf.variable_scope("var_scope"):
        v = tf.get_variable("var", [1])
with tf.name_scope("bar"):
    with tf.variable_scope("var_scope", reuse=True):
        v1 = tf.get_variable("var", [1])
assert v1 == v
print(v.name)   # var_scope/var:0
print(v1.name)  # var_scope/var:0

更新

自版本r0.11起，op_scope和variable_op_scope均为deprecated，并由name_scope和variable_scope取代。

Answer 2

variable_op_scope和op_scope现已弃用，根本不应使用。

关于其他两个，在我尝试通过创建一个简单示例来可视化所有内容之前，我也很难理解variable_scope和name_scope之间的区别（它们看起来几乎相同）：

import tensorflow as tf


def scoping(fn, scope1, scope2, vals):
    with fn(scope1):
        a = tf.Variable(vals[0], name='a')
        b = tf.get_variable('b', initializer=vals[1])
        c = tf.constant(vals[2], name='c')

        with fn(scope2):
            d = tf.add(a * b, c, name='res')

        print '\n  '.join([scope1, a.name, b.name, c.name, d.name]), '\n'
    return d

d1 = scoping(tf.variable_scope, 'scope_vars', 'res', [1, 2, 3])
d2 = scoping(tf.name_scope,     'scope_name', 'res', [1, 2, 3])

with tf.Session() as sess:
    writer = tf.summary.FileWriter('logs', sess.graph)
    sess.run(tf.global_variables_initializer())
    print sess.run([d1, d2])
    writer.close()

这里我创建了一个函数，它创建了一些变量和常量，并在范围内对它们进行分组（取决于我提供的类型）。在这个函数中，我还打印了所有变量的名称。之后，我执行图表以获取结果值的值并保存事件文件以在TensorBoard中调查它们。如果你运行它，你将得到以下结果：

scope_vars
  scope_vars/a:0
  scope_vars/b:0
  scope_vars/c:0
  scope_vars/res/res:0 

scope_name
  scope_name/a:0
  b:0
  scope_name/c:0
  scope_name/res/res:0

如果您打开TensorBoard，则会看到类似的模式（如您所见b在scope_name矩形之外）：

这为您提供了答案：

现在您看到tf.variable_scope()为所有变量的名称添加了前缀（无论您如何创建它们），ops，常量。另一方面，tf.name_scope()忽略使用tf.get_variable()创建的变量，因为它假定您知道要使用哪个变量以及在哪个范围内。

关于Sharing variables的好文档告诉你

tf.variable_scope()：管理传递给tf.get_variable()的名称的名称空间。

相同的文档提供了有关变量范围如何工作以及何时有用的更多详细信息。

Answer 3

命名空间是一种以分层方式组织变量和运算符名称的方法（例如＆＃34; scopeA / scopeB / scopeC / op1＆＃34;）

tf.name_scope为默认图表中的运算符创建名称空间。
tf.variable_scope在默认图表中为变量和运算符创建名称空间。
tf.op_scope与tf.name_scope相同，但适用于创建指定变量的图表。
tf.variable_op_scope与tf.variable_scope相同，但适用于创建指定变量的图表。

上述来源的链接有助于消除此文档问题的歧义。

This example表明所有类型的作用域都定义了变量和运算符的名称空间，但有以下不同之处：

tf.variable_op_scope或tf.variable_scope定义的范围与tf.get_variable兼容（它忽略了其他两个范围）
tf.op_scope和tf.variable_op_scope只需从指定变量列表中选择一个图形即可创建范围。除了行为等于tf.name_scope和tf.variable_scope
tf.variable_scope和variable_op_scope添加指定或默认的初始值设定项。

Answer 4

至于API r0.11，op_scope和variable_op_scope都是deprecated。 name_scope和variable_scope可以嵌套：

with tf.name_scope('ns'):
    with tf.variable_scope('vs'): #scope creation
        v1 = tf.get_variable("v1",[1.0])   #v1.name = 'vs/v1:0'
        v2 = tf.Variable([2.0],name = 'v2')  #v2.name= 'ns/vs/v2:0'
        v3 = v1 + v2       #v3.name = 'ns/vs/add:0'

Answer 5

您可以将它们视为两个组：variable_op_scope和op_scope将一组变量作为输入，用于创建操作。不同之处在于它们如何影响tf.get_variable的变量创建：

def mysum(a,b,name=None):
    with tf.op_scope([a,b],name,"mysum") as scope:
        v = tf.get_variable("v", 1)
        v2 = tf.Variable([0], name="v2")
        assert v.name == "v:0", v.name
        assert v2.name == "mysum/v2:0", v2.name
        return tf.add(a,b)

def mysum2(a,b,name=None):
    with tf.variable_op_scope([a,b],name,"mysum2") as scope:
        v = tf.get_variable("v", 1)
        v2 = tf.Variable([0], name="v2")
        assert v.name == "mysum2/v:0", v.name
        assert v2.name == "mysum2/v2:0", v2.name
        return tf.add(a,b)

with tf.Graph().as_default():
    op = mysum(tf.Variable(1), tf.Variable(2))
    op2 = mysum2(tf.Variable(1), tf.Variable(2))
    assert op.name == 'mysum/Add:0', op.name
    assert op2.name == 'mysum2/Add:0', op2.name

注意两个示例中变量v的名称。

tf.name_scope和tf.variable_scope相同：

with tf.Graph().as_default():
    with tf.name_scope("name_scope") as scope:
        v = tf.get_variable("v", [1])
        op = tf.add(v, v)
        v2 = tf.Variable([0], name="v2")
        assert v.name == "v:0", v.name
        assert op.name == "name_scope/Add:0", op.name
        assert v2.name == "name_scope/v2:0", v2.name

with tf.Graph().as_default():
    with tf.variable_scope("name_scope") as scope:
        v = tf.get_variable("v", [1])
        op = tf.add(v, v)
        v2 = tf.Variable([0], name="v2")
        assert v.name == "name_scope/v:0", v.name
        assert op.name == "name_scope/Add:0", op.name
        assert v2.name == "name_scope/v2:0", v2.name

您可以在tutorial中阅读有关变量范围的更多信息。类似的问题是Stack Overflow上的asked before。

Answer 6

让我们简单一点：只使用tf.variable_scope。 Quoting a TF developer,：

目前，我们建议大家使用variable_scope，不要使用name_scope，但内部代码和库除外。

除了variable_scope的功能基本上扩展到name_scope的功能外，请考虑它们如何在一起玩得不那么好：

with tf.name_scope('foo'):
  with tf.variable_scope('bar'):
    x = tf.get_variable('x', shape=())
    x2 = tf.square(x**2, name='x2')
print(x.name)
# bar/x:0
print(x2.name)
# foo/bar/x2:0

坚持variable_scope只会因为这种不相容而避免一些麻烦。

Answer 7

来自tensorflow文档的本页的最后一部分：Names of ops in tf.variable_scope()

[...]当我们执行with tf.variable_scope("name")时，这会隐式打开tf.name_scope("name")。例如：

with tf.variable_scope("foo"):
  x = 1.0 + tf.get_variable("v", [1])
assert x.op.name == "foo/add"

除了变量范围之外，还可以打开名称范围，然后它们只会影响操作的名称，而不会影响变量的名称。

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"

使用捕获的对象而不是字符串打开变量范围时，我们不会更改操作的当前名称范围。

Answer 8

Tensorflow 2.0兼容答案：Andrzej Pronobis和Salvador Dali的解释非常详细地介绍了与 Scope 相关的功能。

上述讨论的作用域功能（截至2020年2月17日）是 variable_scope 和 name_scope 。。 >

为社区的利益，我们在上面讨论了为这些功能指定2.0兼容的调用。

1.x中的功能：

tf.variable_scope

tf.name_scope

2.x中的相应功能：

tf.compat.v1.variable_scope

tf.name_scope （如果从tf.compat.v2.name_scope迁移，则为 1.x to 2.x ）

有关从1.x到2.x迁移的更多信息，请参阅此Migration Guide。

张量流中名称范围和变量范围的区别是什么？

8 个答案:

更新