tf.Variable()和tf.get_variable()都可以用來建立變數，但是前者會自動保證唯一性，而後者不能保證唯一性。

1 tf.Variable：

Variable(initial_value=None, trainable=True, 
         collections=None, validate_shape=True, 
         caching_device=None,name=None, 
         expected_shape=None, import_scope=None,
         constraint=None)

  新建一個變數，變數值是initial_value.

params:
    initial_value:初始值

    name:可選引數，變數的名字，會自動保證唯一性。

2 tf.get_variable():

get_variable(name, shape=None, dtype=None, 
             initializer=None, regularizer=None, 
             trainable=True, collections=None,
             caching_device=None, partitioner=None, 
             validate_shape=True
 
, use_resouce=None, 
             constraint=None)

  獲取具有這些引數的現有變數或建立一個新變數。如果該name的變數還未定義，則新建立一個；如果已經定義了，則直接獲得該變數。
  get_variable()可以用來建立共享變數。

  下面用例子來說明二者的不同之處：

import tensorflow as tf

with tf.variable_scope('scope1'):
    w1 = tf.Variable(1, name='w1')
    w2 = tf.get_variable(name='w2', initializer=2.
 
)

with tf.variable_scope('scope1', reuse=True):
    w1_p = tf.Variable(1, name='w1')
    w2_p = tf.get_variable(name='w2', initializer=3.)

print('w1', w1)
print('w1_p', w1_p)

print('w2', w2)
print('w2_p', w2_p)

print(w1 is w1_p, w2 is w2_p)

輸出結果如下：

w1 <tf.Variable 'scope1/w1:0' shape=() dtype=int32_ref>
w1_p <tf.Variable 'scope1_1/w1:0' shape=() dtype=int32_ref>

w2 <tf.Variable 'scope1/w2:0' shape=() dtype=float32_ref>
w2_p <tf.Variable 'scope1/w2:0' shape=() dtype=float32_ref>

False True

  可以看出，tf.Variable()會自動處理衝突問題，如程式碼中所示，他會將scope1改為scope1_1。

  而tf.get_variable()會判斷是否已經存在該name的變數，如果有，並且該變數空間的reuse=True,那麼就可以直接共享之前的值;如果沒有，則重新建立。注意，如果你沒有將reuse設為True，則會提示衝突發生。

  程式碼中最後一條語句判斷上述變數是否相等，可以看出，通過get_variable()定義的變數是完全等價的，即使後一條get_variable將initializer設為3.，但是由於name=’w2’的變數已經存在，並且reuse=True，則直接引用之前定義的。這樣就可以用get_variable()來定義共享變數。

  你會發現，tf.get_variable()使用時，一般會和tf.variable_scope()配套使用，需要指定它的作用域空間，這樣在引用的使用就可以通過設定指定的scope的reuse=True進行引用。下面講解一下tf.variable_scope()和tf.name_scope()。

  name_scope()是給op_name加字首，指明op的作用域空間的，op是指操作。而variable_scope()是給get_variable()建立的變數的名字加字首，表明作用域空間，也可以用於處理命名衝突。

with tf.name_scope('name_test'):
    n1 = tf.constant(1, name='cs1')
    n2 = tf.Variable(tf.zeros([1]), name='v1')

    nv1 = tf.get_variable(name='nv1', initializer=1.0)

with tf.variable_scope('v_test'):
    v_n1 = tf.constant(2, name='cs2')
    v_n2 = tf.Variable(tf.zeros([1]), name='v2')

    v1 = tf.get_variable(name='vv1', initializer=2.0)

print('n1', n1.name)
print('n2', n2.name)
print('nv1', nv1.name)

print('v_n1', v_n1.name)
print('v_n2', v_n2.name)
print('v1', v1.name)

輸出結果如下：

n1 name_test/cs1:0
n2 name_test/v1:0
nv1 nv1:0

v_n1 v_test/cs2:0
v_n2 v_test/v2:0
v1 v_test/vv1:0

  可以看出，variable_scope()不僅對get_variable()有效，對普通的op也有效，能給它們加上字首，指明作用域空間；而name_scope()僅僅對普通的op有效，對get_variable()無效，不能給後者加上字首，指明作用空間。