with arg_scope():

1.允许我们设定一些共享参数，并将其进行保存，必要时还可以嵌套覆盖

2.在指定的函数调用时，可以将一些默认参数塞进去。

接下来看一个tensorflow自带的例子。

with arg_scope([layers.conv2d], padding='SAME',
               initializer=layers.variance_scaling_initializer(),
               regularizer=layers.l2_regularizer(0.05)):
  net = layers.conv2d(inputs, 64, [11, 11], 4, padding='VALID', scope='conv1')
  net = layers.conv2d(net, 256, [5, 5], scope='conv2')

# arg_scope()参数解释：
参数1：[layers.conv2d]表示要执行操作的网络，你也可以继续添加其它网络层，例如池化层。
参数2,3等就是你要设定默认的参数。
当我们第一次调用layers.conv2d的时候。卷积层的操作实际上是这样的：

layers.conv2d(inputs, 64, [11, 11], 4, padding='VALID',
              initializer=layers.variance_scaling_initializer(),
              regularizer=layers.l2_regularizer(0.05), scope='conv1')

当我们第二次调用layers.conv2d的时候，卷积层的操作实际上是这样的：

layers.conv2d(inputs, 256, [5, 5], padding='SAME',
              initializer=layers.variance_scaling_initializer(),
              regularizer=layers.l2_regularizer(0.05), scope='conv2')

也就是说，当你在调用相关的网络层的时候(参数1所包含的网络层)，你有设定参数，那么参数
按照你设定的；如果你没有设定参数，那么就用默认的(预先设定好的)