在初學tensorflow的時候，我們會發現在函式體內定義tf.variable()或者tf.get_variable()變數的時候，跟其他語言不同，在tensorflow的函式體內定義的變數並不會隨著函式的執行結束而消失。這是因為tensorflow設定的全域性變數及區域性變數與其他語言有著本質的不同，這是因為tf裡面是由圖定義的，內部的變數區分為

tf.GraphKeys.GLOBAL_VARIABLES               #=> 'variables'                                                                                                                                                                                 
 

tf.GraphKeys.LOCAL_VARIABLES                #=> 'local_variables'                                                                                                                                                                           
tf.GraphKeys.MODEL_VARIABLES                #=> 'model_variables'                                                                                                                                                                           
 

tf.GraphKeys.TRAINABLE_VARIABLES            #=> 'trainable_variables' 

本文主要分析GLOBAL_VARIABLES與LOCAL_VARIABLES之間的區別：

• 對於區域性變數來說，其變數也是一種普通的變數，不過其定義在tf.GraphKeys.LOCAL_VARIABLES。通常該集合用於儲存程式用於初始化的預設變數列表，因此local指定的變數在預設情況下不會儲存。即不會儲存到checkpoint中。
• 定義一個區域性變數：需要顯示指定所在的變數集合collection

  e = tf.Variable(
   
  6, name='var_e', collections=[tf.GraphKeys.LOCAL_VARIABLES])
  

此處舉一個例子來表明TF的全域性變數及區域性變數：

import tensorflow as tf

def some_func():
    z = tf.Variable(1, name='var_z')

a = tf.Variable(1, name='var_a')
b = tf.get_variable('var_b', 2)
with tf.name_scope('aaa'):
    c = tf.Variable(3, name='var_c')

with tf.variable_scope('bbb'):
    d = tf.Variable(3, name='var_d')

some_func()
some_func()

print [str(i.name) for i in tf.global_variables()]
print [str(i.name) for i in tf.local_variables()]

結果：

['var_a:0', 'var_b:0', 'aaa/var_c:0', 'bbb/var_d:0', 'var_z:0', 'var_z_1:0']
[]