本文翻译自： 《Scopes and when to use them》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。
在 TensorFlow 中， 变量(Variables)和张量(tensors)有一个名字（name）属性， 用于在符号图中标识它们。 如果在创建变量或张量时未指定名称， TensorFlow 会自动为您指定名称：
a = tf.constant(1)
print(a.name) # prints "Const:0"
b = tf.Variable(1)
print(b.name) # prints "Variable:0"
您可以通过显式指定来覆盖默认名称：
a = tf.constant(1, name = "a")
print(a.name)# prints "a:0"
b = tf.Variable(1, name = "b")
print(b.name)# prints "b:0"
TensorFlow 引入了两个不同的上下文管理器来改变张量和变量的名称。 第一个是 tf.name_scope ：
with tf.name_scope("scope"):
a = tf.constant(1, name="a")
print(a.name) # prints "scope/a:0"
b = tf.Variable(1, name="b")
print(b.name) # prints "scope/b:0"
c = tf.get_variable(name="c", shape=[])
print(c.name) # prints "c:0"
请注意， 有两种方法可以在 TensorFlow 中定义新变量， 一是创建 tf.Variable 对象或是调用 tf.get_variable 方法。 使用新名称调用 tf.get_variable 会导致创建新变量， 但如果存在具有相同名称的变量， 则会引发 ValueError 异常， 告诉我们不允许重新声明变量。
tf.name_scope 影响使用 tf.Variable 创建的张量和变量的名称， 但不影响使用 tf.get_variable 创建的变量。
与 tf.name_scope 不同， tf.variable_scope 也修改了使用 tf.get_variable 创建的变量的名称：
with tf.variable_scope("scope"):
a = tf.constant(1, name="a")
print(a.name) # prints "scope/a:0"
b = tf.Variable(1, name="b")
print(b.name) # prints "scope/b:0"
c = tf.get_variable(name="c", shape=[])
print(c.name) # prints "scope/c:0"
with tf.variable_scope("scope"):
a1 = tf.get_variable(name="a", shape=[])
a2 = tf.get_variable(name="a", shape=[]) # Disallowed
但是， 如果我们真的想要复用先前声明的变量呢？ 变量范围还提供了执行此操作的功能：
with tf.variable_scope("scope"):
a1 = tf.get_variable(name="a", shape=[])
with tf.variable_scope("scope", reuse=True):
a2 = tf.get_variable(name="a", shape=[]) # OK
这在使用内置神经网络层时变得很方便：
with tf.variable_scope('my_scope'):
features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
# Use the same convolution weights to process the second image:
with tf.variable_scope('my_scope', reuse=True):
features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
或者， 您可以将 reuse 属性设置为 tf.AUTO_REUSE ， 这种操作告诉 TensorFlow 如果不存在具有相同名称的变量， 就创建新变量， 否则就复用：
with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3)
with tf.variable_scope("scope", reuse=tf.AUTO_REUSE):
features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3)
如果你想共享很多变量， 跟踪定义新变量以及复用这些变量的时候可能很麻烦且容易出错。 tf.AUTO_REUSE 则简化了此任务， 但增加了共享不应共享的变量的风险。 TensorFlow 模板是解决这一问题的另一种方法， 它没有这种风险：
conv3x32 = tf.make_template("conv3x32", lambda x: tf.layers.conv2d(x, 32, 3))
features1 = conv3x32(image1)
features2 = conv3x32(image2) # Will reuse the convolution weights.
您可以将任何功能转换为 TensorFlow 模板。 在第一次调用模板时， 在函数内部定义的变量会被声明， 并且在连续调用中， 它们将被自动复用。