在Tensorflow中，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去，实现变量共享。

Variable的用法

var1 = tf.Variable(1.0,name='firstvar')
print("var1:",var1.name)

var1 = tf.Variable(2.0,name='firstvar')
print("var1:",var1.name)

var2 = tf.Variable(3.0)
print("var2:",var2.name)

var2 = tf.Variable(4.0)
print("var2:",var2.name)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print("var1:",var1.eval())
    print("var2:",var2.eval())

以上程序的输出为：

var1: firstvar:0
var1: firstvar_1:0

var2: Variable:0
var2: Variable_1:0

var1: 2.0
var2: 4.0

以上代码定义了2次var1，可以看到在内存中生成了两个var1，因为他们的name属性其实是不一样的（虽然在定义的时候传入的参数name都是一样的）。对于图来讲后面的var1=2.0是生效的。

var2表明了：Variable如果在定义的时候没有传入name参数，系统会自动给加上一个名字。

get_variable()

get_var1 = tf.get_variable(name="firstvar",shape=[1],initializer=tf.constant_initializer(0.3))
print("get_var1:",get_var1.name)

get_var1 = tf.get_variable(name="firstvar",shape=[1],initializer=tf.constant_initializer(0.4))
print("get_var1:",get_var1.name)

输出为：

get_var1: firstvar_2:0

程序在定义第二个get_var1的时候会报错，原因在于使用get_variable定义变量只能定义一次指定名称的变量。同时犹豫变量firstvar在前面使用Variable定义过一次，所以系统会将该变量自动变成firstvar_2:0。

如果将最后一段定义get_var1的地方改成：

get_var1 = tf.get_variable(name="firstvar_new",shape=[1],initializer=tf.constant_initializer(0.4))
print("get_var1:",get_var1.name)

用first_new去重新命名name，就不会报错了。

同样的，新的get_var1值0.4会在图的计算中生效，而不是0.3。