1. tf.Variable()
W = tf.Variable(<initial-value>, name=<optional-name>)
1
用于生成一个初始值为initial-value的变量。必须指定初始化值
2.tf.get_variable()
W = tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None,
regularizer=None, trainable=True, collections=None)
1
2
获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。
可以用各种初始化方法，不用明确指定值。
3.区别
推荐使用tf.get_variable(), 因为：
1. 初始化更方便
比如用xavier_initializer:
W = tf.get_variable("W", shape=[784, 256],
initializer=tf.contrib.layers.xavier_initializer())
1
2
2. 方便共享变量
因为tf.get_variable() 会检查当前命名空间下是否存在同样name的变量，可以方便共享变量。而tf.Variable 每次都会新建一个变量。
需要注意的是tf.get_variable() 要配合reuse和tf.variable_scope() 使用。
4. 举个栗子
4.1 首先介绍一下tf.variable_scope().
如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。为了解决这个问题，TensorFlow 提出了 tf.variable_scope 函数：它的主要作用是，在一个作用域 scope 内共享一些变量，举个简单的栗子：
with tf.variable_scope("foo"):
v = tf.get_variable("v", [1]) #v.name == "foo/v:0"
1
2
简单来说就是给变量名前再加了个变量空间名。
4.2 对比
接下来看看怎么用tf.get_variable()实现共享变量：
with tf.variable_scope("one"):
a = tf.get_variable("v", [1]) #a.name == "one/v:0"
with tf.variable_scope("one"):
b = tf.get_variable("v", [1]) #创建两个名字一样的变量会报错 ValueError: Variable one/v already exists
with tf.variable_scope("one", reuse = True): #注意reuse的作用。
c = tf.get_variable("v", [1]) #c.name == "one/v:0" 成功共享，因为设置了reuse
assert a==c #Assertion is true, they refer to the same object.
1
2
3
4
5
6
7
8
然后看看如果用tf.Variable() 会有什么效果：
with tf.variable_scope("two"):
d = tf.get_variable("v", [1]) #d.name == "two/v:0"
e = tf.Variable(1, name = "v", expected_shape = [1]) #e.name == "two/v_1:0"
assert d==e #AssertionError: they are different objects
1
2
3
4
5
可以看到，同样的命名空间（‘two’）和名字（v），但是d和e的值却不一样。
Reference:
1. https://stackoverflow.com/questions/37098546/difference-between-variable-and-get-variable-in-tensorflow
2. https://www.tensorflow.org/versions/r1.2/api_docs/python/tf/variable_scope
3. http://blog.csdn.net/u013645510/article/details/53769689
---------------------
作者：adrianna_xy
来源：CSDN
原文：https://blog.csdn.net/u012223913/article/details/78533910
版权声明：本文为博主原创文章，转载请附上博文链接！