前文Name Scope vs Variable Scope in TensorFlow比较了作用域variable_scope和name_scope在TensorFlow中如何共享变量，但是它们需要分别和tf.get_variable和tf.Variable搭配使用。一般情况下，tf.variable_scope和tf.get_variable和搭配使用，tf.name_scope和tf.Variable搭配使用。

但是tf.Variable()和tf.get_variable()两个方法都可以创建变量[在TensorFlow v1.x中]，不过它们还是有区别：

tf.Variable()要求必须指定初始化值，但是可以不指定name。tf.get_variable()可以用各种初始化方法，不用明确指定值，但是必须显式的制定name。这是因为，tf.Variable()每次都在创建新的对象，都会给一个新的name[如果检测到命名冲突，系统会自己处理]，所以指定不指定name没有关系，但是一定要明确初始化值。相反，tf.get_variable()的本质目的获得变量而不是创建变量[虽然在没有找到的时候也会创建一个]，对于已经创建的同样name的变量对象，就直接获得那个变量对象[类似于共享变量]，tf.get_variable()会检查当前命名空间下是否存在同样name的变量[系统不会处理冲突，而会报错]，可以方便共享变量，所以name在tf.get_variable()里就格外重要。

import tensorflow as tf
w_1 = tf.Variable(3,name="w_1")
w_2 = tf.Variable(1,name="w_1")
print w_1.name
print w_2.name
#Output:
#w_1:0
#w_1_1:0

import tensorflow as tf
w_1 = tf.get_variable(name="w_1",initializer=1)
w_2 = tf.get_variable(name="w_1",initializer=2)
#Error:
#ValueError: Variable w_1 already exists, disallowed. Did
#you mean to set reuse=True in VarScope?

总体来说，更推荐使用tf.get_variable()，因为:

  1. 当变量名称重复，系统不会处理冲突，而会显式报错，这有可能避免一些隐藏bug。
  2. 因为tf.get_variable()会检查当前命名空间下是否存在同样name的变量，可以方便共享变量。而tf.Variable每次都会新建一个变量。
  3. tf.get_variable()不需要指定初始值，而只要指定初始化方法，比如xavier_initializer