# 使用`tf.get_variable()`获取变量

如果使用之前定义的名称定义变量，则 TensorFlow 会抛出异常。因此，使用`tf.get_variable()`函数代替`tf.Variable()`很方便。函数`tf.get_variable()`返回具有相同名称的现有变量（如果存在），并创建具有指定形状的变量和初始化器（如果它不存在）。例如：

```py
w = tf.get_variable(name='w',shape=[1],dtype=tf.float32,initializer=[.3])
b = tf.get_variable(name='b',shape=[1],dtype=tf.float32,initializer=[-.3])
```

初始化程序可以是上面示例中显示的张量或值列表，也可以是内置初始化程序之一：

*   `tf.constant_initializer`
*   `tf.random_normal_initializer`
*   `tf.truncated_normal_initializer`
*   `tf.random_uniform_initializer`
*   `tf.uniform_unit_scaling_initializer`
*   `tf.zeros_initializer`
*   `tf.ones_initializer`
*   `tf.orthogonal_initializer`

在分布式 TensorFlow 中，我们可以跨机器运行代码，`tf.get_variable()`为我们提供了全局变量。要获取局部变量，TensorFlow 具有类似签名的函数：`tf.get_local_variable()`。

**共享或重用变量：**获取已定义的变量可促进重用。但是，如果未使用`tf.variable_scope.reuse_variable()`或`tf.variable.scope(reuse=True)`设置重用标志，则会抛出异常。

现在您已经学会了如何定义张量，常量，运算，占位符和变量，让我们了解 TensorFlow 中的下一级抽象，它将这些基本元素组合在一起形成一个基本的计算单元，即数据流图或计算图。