我在做一个项目，需要构建一个生成对抗网络（GAN），我非常想理解TensorFlow中variable_scope的变量共享是如何工作的。
在构建GAN时，我有一个生成器网络和两个判别器网络：一个判别器接受真实图像，另一个判别器接受由生成器创建的假图像。重要的是，接受真实图像的判别器和接受假图像的判别器需要共享相同的权重。为了实现这一点，我需要共享权重。
我有一个判别器和生成器的定义，比如说：
def discriminator(images, reuse=False): with variable_scope("discriminator", reuse=reuse): #.... 层定义，这里不重要 #.... logits = tf.layers.dense(X, 1) logits = tf.identity(logits, name="logits") out = tf.sigmoid(logits, name="out") # 14x14x64 return logits, outdef generator(input_z, reuse=False): with variable_scope("generator", reuse=reuse): #.. 不太重要 out = tf.tanh(logits) return out现在生成器和判别器函数被调用：
g_model = generator(input_z)d_model_real, d_logits_real = discriminator(input_real)#在这里，reuse=True应该会在d_model_real, d_logits_real#和d_model_fake, d_logits_fake之间产生权重共享.. 为什么？d_model_fake, d_logits_fake = discriminator(g_model, reuse=True)为什么在第二次调用时，reuse=True会导致权重共享？据我所知，你需要在第一次调用时决定变量的重用，以便在程序的其他地方使用它们。
如果有人能向我解释这一点，我会非常高兴，我找不到关于这个主题的好资料，这对我来说似乎非常 confusing 和复杂。谢谢！
回答：
在底层，变量是使用tf.get_variable()创建的。
这个函数会为变量名称加上前缀，并在创建新变量之前检查它是否存在。
例如，如果你在"fc"作用域内调用tf.get_variable("w", [10,10])，变量名称将是"fc/w:0"。
现在，当你第二次这样做时，如果reuse=True，作用域仍然是"fc"，get_variable将重用变量"fc/w:0"。
然而，如果reuse=False，你会得到一个错误，因为变量"fc/w:0"已经存在，提示你使用不同的名称或使用reuse=True。
示例：
In [1]: import tensorflow as tfIn [2]: with tf.variable_scope("fc"): ...: v = tf.get_variable("w", [10,10]) ...:In [3]: vOut[3]: <tf.Variable 'fc/w:0' shape=(10, 10) dtype=float32_ref>In [4]: with tf.variable_scope("fc"): ...: v = tf.get_variable("w", [10,10]) ...:ValueError: Variable fc/w already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?In [5]: with tf.variable_scope("fc", reuse=True): ...: v = tf.get_variable("w", [10,10]) ...:In [6]: vOut[6]: <tf.Variable 'fc/w:0' shape=(10, 10) dtype=float32_ref>请注意，除了共享权重，你也可以只实例化一个判别器。然后你可以使用placeholder_with_default决定是向它输入真实数据还是生成数据。
