TensorFlow类实例间变量共享逻辑疑问及报错解析

咱们先把你遇到的问题拆解清楚——你写的代码里创建了两个E类的实例，结果触发了变量重复的错误，核心原因其实是TensorFlow的变量存储逻辑和你对类实例属性的理解不一样。

下面一步步给你讲明白背后的道理：

1. tf.get_variable()是在全局计算图里"注册"变量，不是类私有属性 #

你可能以为self.b_Wi是每个类实例自己的私有变量，但实际上，当你用tf.get_variable(name='b_Wi', ...)创建变量时，这个变量的名称是它在TensorFlow全局计算图中的唯一标识（默认在根作用域下）。不管你在哪个类实例里调用这个方法，只要名称相同且没设置独立作用域，TensorFlow都会认为你要创建同一个全局变量——而默认规则是不允许重复创建同名变量的，怕你不小心覆盖了已有变量。

2. 类实例只是持有变量引用，变量本身存在全局图中 #

你的代码里self.b_Wi只是把变量的引用存在了类实例里，但变量本身是保存在TensorFlow的默认计算图里的，属于全局共享的资源。所以第一个实例e创建后，计算图里已经有一个叫b_Wi的变量了；当你创建第二个实例e1时，又执行了同样的tf.get_variable语句，TensorFlow一查：哦，这个名字的变量已经存在了，直接报错提醒你。

3. 报错里的reuse参数是干嘛的？ #

报错里提到的reuse=True或tf.AUTO_REUSE，是TensorFlow给的解决方案：当你确实需要复用已有的变量（比如多任务模型共享特征提取层的权重），可以通过tf.variable_scope()指定作用域，告诉TensorFlow如果变量已存在就复用，而不是重新创建。

举两个解决例子： #

例子1：给每个实例设置独立作用域（创建不同的变量）

如果每个类实例需要自己的独立变量，就给每个实例分配一个唯一的作用域名称：

class E(): 
    def __init__(self, scope_name): 
        self.sess = tf.Session() 
        xav_init = tf.contrib.layers.xavier_initializer 
        # 用variable_scope给每个实例的变量加独立前缀
        with tf.variable_scope(scope_name):
            self.b_Wi = tf.get_variable(name='b_Wi', shape=[2,3], dtype=tf.float32, initializer=xav_init()) 
e = E('instance_e') 
e1 = E('instance_e1') 

这时候两个变量的全名分别是instance_e/b_Wi和instance_e1/b_Wi，名称不重复，自然不会报错。

例子2：复用同一个变量（共享权重）

如果想让多个实例共享同一个变量，就设置reuse参数：

class E(): 
    def __init__(self, reuse=False): 
        self.sess = tf.Session() 
        xav_init = tf.contrib.layers.xavier_initializer 
        with tf.variable_scope('shared_weights', reuse=reuse):
            self.b_Wi = tf.get_variable(name='b_Wi', shape=[2,3], dtype=tf.float32, initializer=xav_init()) 
# 第一个实例创建变量
e = E() 
# 第二个实例复用已有的变量
e1 = E(reuse=True) 

这样第二个实例会直接复用shared_weights/b_Wi这个变量，不会尝试重新创建。

内容的提问来源于stack exchange，提问作者duck