在Google Colab使用TensorFlow 1.x创建变量weights1时出现已存在错误的问题

这个报错在TensorFlow 1.x里太常见了！让我帮你拆解一下问题和解决办法：

错误原因 #

tf.get_variable这个API的设计逻辑是创建新变量或者复用已存在的变量，但默认情况下，它不允许你重复创建同名变量。你的问题大概率是这段变量定义的代码被执行了多次（比如在Colab里不小心重复运行了单元格，或者这段代码被放在了循环/重复调用的函数里），第二次执行时，weights1已经在当前的TensorFlow图里存在了，所以就抛出了这个ValueError。

另外还要提醒你一个容易忽略的小问题：你的代码里tf.zeros_initializer后面没有加括号！这个是函数，必须调用它才能得到真正的初始化器对象，否则会把函数本身传进去，后续肯定会出问题，这个得先修正。

解决方案 #

这里给你三种常用的处理方式，根据你的需求选：

1. 用变量作用域实现变量复用（推荐）

如果你的代码需要多次执行（比如在训练循环里、或者需要复用模型参数），用tf.variable_scope并设置reuse=tf.AUTO_REUSE是标准做法，它会自动判断变量是否存在：存在就复用，不存在就创建。修正后的代码如下：

with tf.variable_scope("my_model", reuse=tf.AUTO_REUSE):
    weights1 = tf.get_variable("weights1", shape=[12,80], initializer=tf.contrib.layers.xavier_initializer())
    biases1 = tf.get_variable("biases1", shape=[80], initializer=tf.zeros_initializer())  # 加了括号！
    layer1out = tf.nn.relu(tf.matmul(X, weights1) + biases1)
    
    weights2 = tf.get_variable("weights2", shape=[80,50], initializer=tf.contrib.layers.xavier_initializer())
    biases2 = tf.get_variable("biases2", shape=[50], initializer=tf.zeros_initializer())  # 加了括号！
    layer2out = tf.nn.relu(tf.matmul(layer1out, weights2) + biases2)
    
    weights3 = tf.get_variable("weights3", shape=[50,3], initializer=tf.contrib.layers.xavier_initializer())
    biases3 = tf.get_variable("biases3", shape=[3], initializer=tf.zeros_initializer())  # 加了括号！
    prediction = tf.matmul(layer2out, weights3) + biases3

2. 重置默认图（适合Colab临时解决）

如果只是在Colab里不小心重复运行了单元格，不想搞复杂的作用域，直接在代码开头重置整个TensorFlow图就行，这样之前创建的变量都会被清除：

tf.reset_default_graph()

# 然后再写你的变量定义代码
weights1 = tf.get_variable("weights1",shape=[12,80],initializer = tf.contrib.layers.xavier_initializer())
biases1 = tf.get_variable("biases1",shape = [80],initializer = tf.zeros_initializer())  # 记得加括号！
# ... 后面的代码不变

注意：这个方法适合开发调试阶段快速解决，正式项目里别随便用，容易误删需要保留的图结构。

3. 使用唯一变量名（适合多模型实例）

如果你确实需要创建多个独立的模型实例，比如同时训练不同的模型，可以给变量名加唯一后缀，或者用不同的作用域名，比如：

# 第一个模型
with tf.variable_scope("model_1"):
    weights1 = tf.get_variable("weights1", shape=[12,80], initializer=tf.contrib.layers.xavier_initializer())
    # ... 其他变量定义

# 第二个模型
with tf.variable_scope("model_2"):
    weights1 = tf.get_variable("weights1", shape=[12,80], initializer=tf.contrib.layers.xavier_initializer())
    # ... 其他变量定义

这种方式每个作用域下的变量名是独立的，不会冲突。

总结 #

优先选第一种变量作用域的方式，这是TensorFlow 1.x管理变量的最佳实践；一定要记得把tf.zeros_initializer改成tf.zeros_initializer()；如果是Colab里的小失误，用重置图的方法最快。

内容的提问来源于stack exchange，提问作者Rakesh Lingayat