在尝试通过创建一个简单的示例来可视化所有内容之前，我在理解variable_scope和name_scope （它们看起来几乎相同）之间的区别时遇到了问题：

import tensorflow as tf
def scoping(fn, scope1, scope2, vals):
    with fn(scope1):
        a = tf.Variable(vals[0], name='a')
        b = tf.get_variable('b', initializer=vals[1])
        c = tf.constant(vals[2], name='c')
        with fn(scope2):
            d = tf.add(a * b, c, name='res')

        print '\n  '.join([scope1, a.name, b.name, c.name, d.name]), '\n'
    return d

d1 = scoping(tf.variable_scope, 'scope_vars', 'res', [1, 2, 3])
d2 = scoping(tf.name_scope,     'scope_name', 'res', [1, 2, 3])

with tf.Session() as sess:
    writer = tf.summary.FileWriter('logs', sess.graph)
    sess.run(tf.global_variables_initializer())
    print sess.run([d1, d2])
    writer.close()

在这里，我创建了一个函数，该函数创建一些变量和常量，并在范围内对它们进行分组（取决于我提供的类型）。在此函数中，我还将打印所有变量的名称。之后，我执行图形以获取结果值的值，并保存事件文件以在张量板上对其进行调查。如果运行此命令，则会得到以下信息：

scope_vars
  scope_vars/a:0
  scope_vars/b:0
  scope_vars/c:0
  scope_vars/res/res:0 

scope_name
  scope_name/a:0
  b:0
  scope_name/c:0
  scope_name/res/res:0 

如果打开TB，您会看到类似的图案（因为您看到b在scope_name矩形的外部）：

这给你答案 ：

现在，您看到tf.variable_scope()在所有变量（无论如何创建它们），ops，常量的名称之前添加了一个前缀。另一方面， tf.name_scope()忽略使用tf.get_variable()创建的变量，因为它假定您知道要使用哪个变量以及在哪个范围内。

关于共享变量的良好文档告诉您

tf.variable_scope() ：管理传递给tf.get_variable()名称的名称空间。

同一文档提供了更多详细信息，“可变作用域”如何工作以及何时有用。

当您使用tf.get_variable而不是tf.Variable创建变量时，Tensorflow将开始检查使用相同方法创建的var的名称，以查看它们是否冲突。如果这样做，将引发异常。如果您使用tf.get_variable创建了一个var并尝试使用tf.name_scope上下文管理器更改变量名称的前缀，则不会阻止Tensorflow引发异常。在这种情况下，只有tf.variable_scope上下文管理器才能有效地更改var的名称。或者，如果要重用变量，则应在第二次创建var之前调用scope.reuse_variables（）。

总而言之， tf.name_scope只是向在该范围内创建的所有张量添加前缀（使用tf.get_variable创建的var除外），而tf.variable_scope向使用tf.get_variable创建的变量添加前缀。

tf.variable_scope是tf.name_scope用于处理Variable重用。如您tf.name_scope ，它的作用不只是tf.name_scope ，因此没有真正的理由使用tf.name_scope ：毫不奇怪， TF开发人员建议仅使用tf.variable_scope 。

我对仍然tf.name_scope理解是，这两者的行为存在细微的不兼容性，这使tf.variable_scope不能替代tf.name_scope 。