（1）用途

在构建模型时，需要使用tf.Variable来创建一个变量（也可以理解成节点）。但在某种情况下，一个模型需要使用其他模型创建的变量，两个模型一起训练。此时需要用到共享变量。这时就是通过引入get_variable方法，实现共享变量来解决这个问题。

（2） 使用get-variable获取变量

get_variable一般会配合variable_scope一起使用，以实现共享变量。variable_scope的意思是变量作用域。在某一作用域中的变量可以被设置成共享的方式，被其他网络模型使用。
get_variable函数的定义如下

    tf.get_variable(<name>, <shape>, <initializer>)

注意：
使用get_variable生成的变量是以指定的name属性为唯一标识，并不是定义的变量名称。使用时一般通过name属性定位到具体变量，并将其共享到其他模型中。

（3） get_variable和Variable的区别

Variable

import tensorflow as tf
x=tf.Variable(1.0,name="v1")
print(x,"x的名字为:",x.name)
x2=tf.Variable(2.0,name="v2")
print(x2,"x2的名字为:",x2.name)
with tf.Session() as sess:all_v=tf.global_variables_initializer()sess.run(all_v)print("X1=",x.eval()) #获取值print("X2=",x2.value()) #获取全部信息

注意：

Variable定义时没有指定名字，系统会自动给加上一个名字Variable:0。
当Variable定义多个相同的变量时，图只会当最后一个有效

get_variable

    16   get_var1 = tf.get_variable("firstvar", [1], initializer=tf.constant_initializer(0.3))17   print ("get_var1:", get_var1.name)18# 此时会出错，firstvar在前面已经定义，如果改为firstvar2则正常19   get_var1 = tf.get_variable("firstvar", [1], initializer=tf.constant_initializer(0.4))20   print ("get_var1:", get_var1.name)

（4）在特定的作用域下获取变量

在作用域下，使用get_variable，以及嵌套variable_scope。在前面的例子中已经知道使用get_variable创建两个同样名字的变量是行不通的，如果真的想要那么做，可以使用variable_scope将它们隔开，代码如下。

    import tensorflow as tfwith tf.variable_scope("test1", ):     #定义一个作用域test1var1 = tf.get_variable("firstvar", shape=[2], dtype=tf.float32)with tf.variable_scope("test2"):var2 = tf.get_variable("firstvar", shape=[2], dtype=tf.float32)print ("var1:", var1.name)print ("var2:", var2.name)

其实，variable_scope里面有个reuse=True属性，表示使用已经定义过的变量。这时get_variable将不会再创建新的变量，而是去图（一个计算任务）中get_variable所创建过的变量中找与name相同的变量。

    11   with tf.variable_scope("test1", reuse=True ):12        var3= tf.get_variable("firstvar", shape=[2], dtype=tf.float32)13        with tf.variable_scope("test2"):14            var4 = tf.get_variable("firstvar", shape=[2], dtype=tf.float32)1516   print ("var3:", var3.name)17   print ("var4:", var4.name)