一、上下文管理器（context manager）
上下文管理器是实现了上下文协议的对象,主要用于资源的获取与释放。上下文协议包括__enter__、__exit__，简单说就是，具备__enter__()和__exit__()方法的类就可以实现上下文管理，做到文件的自动关闭，这样的类实例化的对象就是上下文管理器。
典型的例子就是读写文件的操作。使用open()函数打开文件，操作之后再用close()函数关闭文件。如果使用上下文管理器的的话就会简洁方便些，因为File()类内部包含有__enter__、__exit__这两种方法。同时，python提供的with也能简化资源操作后的清除操作，实现原理建立在上下文管理器之上。
with open('test.txt','w') as file: file.write(data)
定义python op使用的上下文管理器
该上下文管理器验证给定的values是否来自相同的Graph、将该Graph设为默认Graph、将命名空间（name scope）存入图中。
下面的代码定义了一个叫做my_op的python op:
def my_op(a, b, c, name=None): with tf.name_scope(name, "MyOp", [a, b, c]) as scope: a = tf.convert_to_tensor(a, name="a") b = tf.convert_to_tensor(b, name="b") c = tf.convert_to_tensor(c, name="c") # Define some computation that uses `a`, `b`, and `c`. return foo_op(..., name=scope)tf.name_scope()主要是用来管理命名空间的，这样能使模型更加有条理。
定义创建变量这一操作的上下文管理器
变量空间允许您创建新的变量并共享已经创建的变量，同时提供检查以避免意外地创建或共享
如何创建新变量的示例：
with tf.variable_scope("foo"): with tf.variable_scope("bar"): v = tf.get_variable("v", [1]) assert v.name == "foo/bar/v:0"使用AUTO_REUSE共享变量：
with tf.variable_scope("foo"): with tf.variable_scope("bar"): v = tf.get_variable("v", [1]) assert v.name == "foo/bar/v:0"使用reuse=True共享变量：
with tf.variable_scope("foo"): v = tf.get_variable("v", [1]) with tf.variable_scope("foo", reuse=True): v1 = tf.get_variable("v", [1]) assert v1 == v通过捕获空间和设置重用共享变量：
with tf.variable_scope("foo") as scope: v = tf.get_variable("v", [1]) scope.reuse_variables() v1 = tf.get_variable("v", [1]) assert v1 == v在non-resue scope中共享变量会报错：
with tf.variable_scope("foo"): v = tf.get_variable("v", [1]) v1 = tf.get_variable("v", [1]) # Raises ValueError("... v already exists ...").注意的是：reuse标志是会被继承的。即如果一个scope被设置为reuse mode,那么它的sub-scopes也会处于reuse mode。、
variable_scope大部分情况下和tf.get_variable()配合使用，实现变量共享。
import osimport tensorflow as tfos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' with tf.Session() as sess: with tf.name_scope('name_scope'): # 命名空间 var1 = tf.Variable(initial_value=[1], name='var1') # 创建变量 with tf.variable_scope('variable_scope'): # 变量空间 var2 = tf.Variable([2], name='var2') # 创建变量 var3 = tf.get_variable(name='var3', shape=[]) # 创建可共享变量 print('var1.name', var1.name) print('var2.name', var2.name) print('var3.name', var3.name)运行结果：var1.name name_scope/var1:0
var2.name name_scope/variable_scope/var2:0
var3.name variable_scope/var3:0可以发现tf.name_scope()不会对tf.get_variable创建的变量有任何影响
tf.name_scope()主要是管理命名空间，让模型井然有序，而tf.variable_scope()的作用是配合tf.get_variable()实现变量共享
四、tf.Variable()和tf.get_variable()
- class Variable
变量在Graph中起到通过调用run()维持状态的作用。可以通过实例化类Variable向Graph添加变量。
import tensorflow as tf # 创建一个变量 w = tf.Variable(<initial-value>, name=<optional-name>) # Use the variable in the graph like any Tensor. y = tf.matmul(w, ...another variable or tensor...) # The overloaded operators are available too. z = tf.sigmoid(w + y) # Assign a new value to the variable with `assign()` or a related method. w.assign(w + 1.0) w.assign_add(1.0)
- tf.get_variable()
获取符合这些参数的现有变量或创建新参数.
该函数给当前变量空间的name加前缀并检查是否有重用。
def foo(): with tf.variable_scope("foo", reuse=tf.AUTO_REUSE): v = tf.get_variable("v", [1]) return v v1 = foo() # Creates v. 创建一个新变量 v2 = foo() # Gets the same, existing v. 得到一个符合参数的现有变量 assert v1 == v2创建变量有三种方式，但只有tf.get_variable()创建的变量会发生命名冲突。在实际使用中，三种创建变量方式的用途区别也是明显的：
- tf.placeholder() #占位符。trainable=False，不是训练参数
- tf.Variable() #一般变量的定义使用该种方式。trainablel类型可选
- tf.get_variable() #和tf.variable_scope()配合使用，实现变量共享的功能。trainablel类型可选
五、参考链接