由于需要写一些TF的代码，忘记共享机制实现，复习并写了一下。

1. 共享机制

TF主要提供 Variable Scope 这种独特的机制来共享变量

> #创建或返回给定名称的变量 
> tf.get_variable(<name>, <shape>, <initializer>) 
> 
> #管理传给get_variable()的变量名称的作用域 
> tf.variable_scope(<scope_name>)

2. 实例

Step 1：创建变量

def conv_relu(input, kernel_shape, bias_shape):
    # Create variable named "weights".
    weights = tf.get_variable("weights", kernel_shape,
        initializer=tf.random_normal_initializer())
    # Create variable named "biases".
    biases = tf.get_variable("biases", bias_shape,
        initializer=tf.constant_initializer(0.0))
    conv = tf.nn.conv2d(input, weights,
        strides=[1, 1, 1, 1], padding='SAME')
    return tf.nn.relu(conv + biases)

Step 2：定义作用域：这个部分是可以复用的模块，可以是卷积等操作。

def my_image_filter(input_images):
    with tf.variable_scope("conv1"):
        # Variables created here will be named "conv1/weights", "conv1/biases".
        relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
    with tf.variable_scope("conv2"):
        # Variables created here will be named "conv2/weights", "conv2/biases".
        return conv_relu(relu1, [5, 5, 32, 32], [32])

Step3：复用
这里一定注意，复用某个卷积块的时候一定记得使用：scope.reuse_variables()

with tf.variable_scope("image_filters") as scope:
    result1 = my_image_filter(image1)
    scope.reuse_variables() # 最关键的一句
    result2 = my_image_filter(image2) # 这样的话image2与image1就可以使用相同的模块了

3. 参考：

1. 官网指引：variable_scope
2. https://www.jianshu.com/p/ab0d38725f88