关于tf.variable与tf.get_variable变量创建方式的差异确认与补充

首先要明确：你总结的差异是完全正确的！在此基础上，我再补充几个关键差异点，帮你更全面理解两者的区别：

核心行为差异（含你的总结） #

• tf.Variable的默认行为：如果是在函数内部每次调用都重新定义tf.Variable，会创建新的变量实例，且同名时会自动给变量名加后缀（比如var_1、var_2）；但如果你把变量定义在函数外部、或者复用同一个变量对象，那调用网络时自然会使用同一个变量——这也是你提到的“始终使用相同变量”的场景。
• tf.get_variable的行为：它是基于变量名称来管理变量的，默认会检查当前作用域下是否存在同名变量：如果存在就直接复用（未设置reuse=True时会报错），如果不存在才创建新变量。所以必须明确通过tf.variable_scope的reuse参数，来控制是复用已有变量还是创建新变量。

其他关键差异 #

• 变量命名与作用域绑定：
  • tf.Variable的名称是可选参数，即使同名也会自动重命名，不会强制绑定作用域；
  • tf.get_variable必须指定名称，且严格和当前variable_scope绑定，是TensorFlow中实现变量共享的核心API。
• 初始化方式的灵活性：
  • tf.Variable可以直接传入初始值（比如tf.Variable(0.0)），也可以使用初始化器；
  • tf.get_variable必须使用初始化器（比如tf.get_variable("var", shape=[1], initializer=tf.constant_initializer(0.0))），不能直接传初始值。
• 可训练属性的设置限制：
  • tf.Variable默认trainable=True，会被加入GraphKeys.TRAINABLE_VARIABLES集合，且随时可以修改该参数；
  • tf.get_variable同样默认trainable=True，但只有当作用域的reuse=False时才能修改这个参数，复用变量时无法更改。

举个代码例子更直观：

# tf.Variable的情况
def my_net():
    var = tf.Variable(0.0, name="my_var")
    return var

# 两次调用会创建两个独立变量：my_var和my_var_1
var1 = my_net()
var2 = my_net()
print(var1.name, var2.name)  # 输出: my_var:0 my_var_1:0

# tf.get_variable的情况
def my_shared_net():
    with tf.variable_scope("my_scope") as scope:
        var = tf.get_variable("my_var", shape=[1], initializer=tf.constant_initializer(0.0))
        return var

# 第一次调用创建变量
var3 = my_shared_net()
# 第二次调用需明确开启复用，否则报错
with tf.variable_scope("my_scope", reuse=True):
    var4 = tf.get_variable("my_var")
print(var3.name, var4.name)  # 输出: my_scope/my_var:0 my_scope/my_var:0 (指向同一个变量)

内容的提问来源于stack exchange，提问作者amina mollaysa