1. tensorflow 介紹

1.1 設計理念
1) 圖的定義與圖的執行是分離開的
簡單來說，就是定義了一個操作，但是並沒有真正去執行，
tensorflow 被認為是一個符號主義的庫。
程式設計模式分為指令式程式設計和符號式程式設計，
2) TensorFlow 中涉及的運算都在在圖中，圖的運算只能在session中，過程就是啟動會話之後，用資料去填充節點，進行運算，關閉會話就不再進行計算。

2. tensorflow 變數作用域-上下文管理器

有點兒類似於python的with block上下文管理器，當你呼叫with Object() as obj:的時候，會自動呼叫obj物件的__enter__()和obj物件的__exit__()方法。
 

2.1 variable_scope

只需要掌握兩點：
tf.variable_scope(<scope_name>) #建立域名
tf.get_variable(name, shape, dtype, initializer) # 通過名稱建立或者返回一個變數

相關例項如下：

def test_scope():
    with tf.variable_scope("scope1") as scope1:
        assert scope1.name == "scope1"
        v = tf.get_variable('v1', [1])
    with
 
 tf.variable_scope(scope1, reuse=True):  # #### reuse method
        v2 = tf.get_variable('v1', [1])
    assert v == v2

    with tf.variable_scope("foo", initializer=tf.constant_initializer(0.4)):
        mm = tf.get_variable("mm", [1])
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            x = sess.run(mm)
            print(x)
 

2.2 name_scope

name_scope 只對op和通過Variable建立的變數有作用，對get_variable的無影響。

def name_scope():
    with tf.variable_scope("scope1"):
        with tf.name_scope("name_scope1"):
            v = tf.get_variable("v", [1])
            b = tf.Variable(tf.zeros([1]), name='b')
            x = 1.0 + v

    assert v.name == "scope1/v:0"
    assert b.name == "scope1/name_scope1/b:0"
    assert x.op.name == "scope1/name_scope1/add"

總結兩者的區別：
http://blog.csdn.net/u012436149/article/details/53081454
http://blog.csdn.net/u012436149/article/details/73555017
思考如下問題：
1. tensorflow如何實現variable_scope上下文管理器這個機制？
Graph是像一個大容器，OP、Tensor、Variable是這個大容器的組成部件。Graph中維護一個collection，這個collection中的 鍵_VARSCOPE_KEY對應一個 [current_variable_scope_obj]，儲存著當前的variable_scope。使用 get_variable() 建立變數的時候，就從這個collection 取出 current_variable_scope_obj，通過這個 variable_scope建立變數。
目前新推出的Eager模式下面，使用tf.AUTO, 如果有變數就複用，沒有變數就自動建立，使用起來比較安全。