tf.Graph.name_scope

tf.Graph.name_scope(name)

返回一个上下文管理器，为操作创建一个层级的name

一个图维持一个name scope的栈。name_scope(...):声明将一个新的name放入context生命周期的一个栈中。

name参数如下：

• 一个字符串（不以'/' 结尾）将穿件一个新scope name，在这个scope中，上下文中所创建的操作前都加上name这个前缀。如果name之前用过，将调用self.unique_name(name) 确定调用一个唯一的name
• 使用g.name_scope(...)捕获之前的scope作为scope：声明将被视为一个“全局”的scope name，这允许重新进入一个已经存在的scope
• None或空字符串将会重置当前的scope name 为最高级（空）的name scope

[python] view plain copy

1. #!/user/bin/env python  
2. # coding=utf-8  
3.   
4. import tensorflow as tf  
5.   
6. with tf.Graph().as_default() as g:  
7.     c=tf.constant(5.0,name="c")  
8.     assert c.op.name=="c"  
9.     c_1=tf.constant(6.0,name="c")  
10.     assert c_1.op.name=="c_1"  
11.   
12.     #creates a scop called "nested"  
13.     with g.name_scope("nested") as scope:  
14.         nested_c=tf.constant(10.0,name="c")  
15.         assert nested_c.op.name=="nested/c"  
16.           
17.         #creates a nested scope called "inner"  
18.         with g.name_scope("inner"):  
19.             nested_inner_c=tf.constant(20.0,name="c")  
20.             assert nested_inner_c.op.name=="nested/inner/c"  
21.   
22.         #creates a nested scope called "inner_1"  
23.         with g.name_scope("inner"):  
24.             nested_inner_1_c=tf.constant(30.0,name="c")  
25.             assert nested_inner_1_c.op.name=="nested/inner_1/c"  
26.   
27.             #treats 'scope' as an absolute name scope, and   
28.             #switches to the "nested/" scope.  
29.             with g.name_scope(scope):  
30.                 nested_d=tf.constant(40.0,name="d")  
31.                 assert nested_d.op.name=="nested/d"  
32.   
33.                 with g.name_scope(""):  
34.                     e=tf.constant(50.0,name="e")  
35.                     assert e.op.name=="e"  

scope自身的name可以被g.name_scope(...)捕获作为一个scope：，把scope name存储到变量scope中。这个值可以用于命名一个操作的最终结果，例如：

[python] view plain copy

1. inputs=tf.constant(...)  
2. with g.name_scope('my_layer') as scope:  
3.     weights=tf.Variable(...,name="weights")  
4.     biases=tf.Variable(...,name="biases")  
5.     affine=tf.matmul(inputs,weights)+biases  
6.     output=tf.nn.relu(affine,name=scope)