# 使用`tf.get_variable()`獲取變量 如果使用之前定義的名稱定義變量，則 TensorFlow 會拋出異常。因此，使用`tf.get_variable()`函數代替`tf.Variable()`很方便。函數`tf.get_variable()`返回具有相同名稱的現有變量（如果存在），并創建具有指定形狀的變量和初始化器（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顯示的張量或值列表，也可以是內置初始化程序之一： * `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，我們可以跨機器運行代碼，`tf.get_variable()`為我們提供了全局變量。要獲取局部變量，TensorFlow 具有類似簽名的函數：`tf.get_local_variable()`。 **共享或重用變量：**獲取已定義的變量可促進重用。但是，如果未使用`tf.variable_scope.reuse_variable()`或`tf.variable.scope(reuse=True)`設置重用標志，則會拋出異常。 現在您已經學會了如何定義張量，常量，運算，占位符和變量，讓我們了解 TensorFlow 中的下一級抽象，它將這些基本元素組合在一起形成一個基本的計算單元，即數據流圖或計算圖。