,reuse=reuse):withtf.Session()assess:sess.run(tf.global_variables_initializer())print(x1.name)#scope/var1:0print(sess.run(x1))#[0.34196675],默认随机初始化值print(x2.name)#scope/var1:0print(sess.run(x2))#[0.34196675]variable_scope的其他常见用法：deffun(x1,x2,scope):withtf.variable_scope(scope):returntf.multiply(x1,x2)withtf.variable_scope("fun"):x1=tf.constant(1)#Defineaconstanttensorx2=tf.Variable(2)#Defineavariable,后面需要初始化#fun1字段的操作res=fun(x1=x1,x2=x2,scope="fun1")#fun2字段的操作res=fun(x1=res,x2=x2,scope="fun2")#在fun3字段中操作res=fun(x1=res,x2=res,scope="fun3")withtf.Session()assess:sess.run(tf.global_variables_initializer())print(sess.run(res))#16上图显示了一个简单的示波器应用。值得一提的是，最外面的fun可以看做一个层，里面的fun1、fun2、fun3可以换成相应的卷积和激活操作。最后，将多层组合起来形成深度学习的通用网络模型结构。4.placeholder在Tensorflow中，每产生一个常量，就需要在数据流图中添加一个节点（如上图所示）。当数据量很大时，图会特别大。
