https://blog.csdn.net/zz2230633069/article/details/81414330
权值共享常使用的情况，一些需要共享的变量，比如神经网络里面的权重，word embedding这种变量，这样就会选择使用共享变量。而比如global_step这种仅仅用来追踪训练步数的变量，它并不是trainable的，那么直接用tf.Variable()方法。
get_variable( name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, use_resource=None, custom_getter=None )参数： 1.name：新变量或现有变量的名称。 2.shape：新变量或现有变量的形状。 3.dtype：新变量或现有变量的类型（默认为 DT_FLOAT）。 4.initializer：创建变量的初始化器。如果初始化器为 None（默认），则将使用在变量范围内传递的默认初始化器(如果另一个也是 None，那么一个 glorot_uniform_initializer （也称之为Xavier uniform initializer）将被使用)。初始化器也可以是张量，在这种情况下，变量被初始化为该值和形状。 5.regularizer：一个函数,将其应用于新创建的变量的结果将被添加到集合 tf.GraphKeys.REGULARIZATION_LOSSES 中，并可用于正则化。类似地，如果正则化器是 None（默认），则将使用在变量范围内传递的默认正则符号（如果另一个也是 None，则默认情况下不执行正则化）。 6.trainable：如果为 True，还将变量添加到图形集合：GraphKeys.TRAINABLE_VARIABLES。 7.collections：要将变量添加到其中的图形集合键的列表。默认为 [GraphKeys.LOCAL_VARIABLES]。 8.caching_device：可选的设备字符串或函数，描述变量应该被缓存以读取的位置。默认为变量的设备，如果不是 None，则在其他设备上进行缓存。典型的用法的在使用该变量的操作所在的设备上进行缓存，通过 Switch 和其他条件语句来复制重复数据删除。 9.partitioner：（可选）可调用性，它接受要创建的变量的完全定义的 TensorShape 和 dtype，并且返回每个坐标轴的分区列表（当前只能对一个坐标轴进行分区）。 10.validate_shape：如果为假，则允许使用未知形状的值初始化变量。如果为真，则默认情况下，initial_value 的形状必须是已知的。 11.use_resource：如果为假，则创建一个常规变量。如果为真，则创建一个实验性的 ResourceVariable，而不是具有明确定义的语义。默认为假（稍后将更改为真）。 12.custom_getter：可调用的，将第一个参数作为真正的 getter，并允许覆盖内部的 get_variable 方法。custom_getter 的签名应该符合这种方法，但最经得起未来考验的版本将允许更改：def custom_getter(getter, *args, **kwargs)。还允许直接访问所有 get_variable 参数：def custom_getter(getter, name, *args, **kwargs)。创建具有修改的名称的变量的简单标识自定义 getter 是：python def custom_getter(getter, name, *args, **kwargs): return getter(name + ‘_suffix’, *args, **kwargs)
返回值： 创建或存在Variable（或者PartitionedVariable，如果使用分区器）。
可能引发的异常： ValueError：当创建新的变量和形状时，在变量创建时违反重用，或当 initializer 的 dtype 和 dtype 不匹配时。在 variable_scope 中设置重用。
