《TensorFlow自然语言处理》—2.3　使用作用域重用变量

2.3　使用作用域重用变量

到目前为止，我们已经了解了TensorFlow的体系结构，以及实现基本TensorFlow客户端所需的基本知识。然而，TensorFlow还有更多内容。正如我们已经看到的，TensorFlow的行为与典型的Python脚本完全不同。例如，你无法实时调试TensorFlow代码（但可以用Python IDE执行简单的Python脚本），因为在TensorFlow中计算不会实时发生（除非你使用的是Eager执行方法，它最近出现在TensorFlow1.7中：https://research.googleblog.com/2017/10/eager-execution-imperative-def?ine-by.html）。换句话说，TensorFlow首先定义完整的计算图，再在设备上执行所有计算，最后得到结果。因此，调试TensorFlow客户端可能会非常烦琐和痛苦，这强化了在实现TensorFlow客户端时注意细节的重要性。因此，建议遵循为TensorFlow引入的正确编码规范。一种这样的规范被称为“作用域”，并允许更容易的变量重用。

重用TensorFlow变量是TensorFlow客户端中经常出现的情况。要理解答案的价值，我们必须首先理解这个问题。此外，错误的代码可以帮助我们更好理解这个问题。

假设我们想要一个执行某种计算的函数：给定w，需要计算x * w + y ** 2。让我们编写一个TensorFlow客户端，它具有执行此操作的函数：

假设你想要在某一步计算它，然后，你可以调用session.run(very_simple_computation(2))

（当然，在调用tf.global_variables_initializer().run()之后），之后你会得到结果，并对编写实际有效的代码感觉良好。但是，情况可能相反，因为多次运行此函数会出现问题。每次调用此方法时，都会创建两个TensorFlow变量。还记得我们讨论过TensorFlow与Python不同吗这就是一个这样的例子。多次调用此方法时，图中的x和y变量不会被替换。相反，将保留旧变量，并在图中创建新变量，直到内存不足为止。但是，结果是正确的。要查看此操作，请在for循环中运行session.run(very_simple_computation(2))，如果打印图中变量的名称，将看到两个以上变量。

这是运行10次时的输出：

每次运行该函数时，都会创建一对变量。让我们明确一点：如果你运行这个函数100次，你的图中将有198个过时变量（99个x变量和99个y变量）。

这是作用域可以解决的问题。作用域允许你重用变量，而不是每次调用函数时都创建一个变量。现在为我们的小例子添加可重用性，我们将代码更改为以下内容：

在这个例子中，如果执行session.run（[z1，z2，a1，a2，zz1，zz2]），应该看到z1、z2、a1、a2、zz1、zz2的值依次为9.0、90.0、9.0、90.0、9.0、90.0。现在，如果打印变量，你应该只看到四个不同的变量：scopeA/x，scopeA/y，scopeB/x和scopeB/y。我们现在可以在循环中多次运行它，而不必担心创建冗余变量和内存不足。

现在，你可能想知道为什么不能在代码的开头创建四个全局变量，并在之后的方法中使用它们。因为这会破坏代码的封装，这样一来，代码将明确依赖于该代码块之外的内容。

总之，作用域允许可重用性，同时保留代码的封装性。此外，作用域使代码更直观，并减少出错的可能性，因为我们可以通过域和名称显式获取变量，而不是使用被TensorFlow变量赋值的Python变量。