Question

import tensorflow as tf
x = tf.constant(35, name='x')
y = tf.Variable(x + 5, name='y')
# model = tf.global_variables_initializer()
with tf.Session() as session:
        print("x = ", session.run(x)) 
        # session.run(model)
        print("y = ", session.run(y))

我无法理解何时需要global_variables_initializer()。在上面的代码中，如果我们取消注释第4行和第4行。 7，我可以执行代码并查看值。如果我按原样运行，我会看到崩溃。

我的问题是它正在初始化哪些变量。 x是一个不需要初始化的常量，y是一个未被初始化但用作算术运算的变量。

Answer 1

tf.global_variables_initializer是初始化所有全局变量的快捷方式。它不是必需的，您可以使用其他方式初始化变量，或者在简单脚本的情况下，有时您根本不需要初始化它们。

除变量之外的所有内容都不需要初始化（常量和占位符）。但是应该初始化每个使用的变量（即使它是常量）。这会给你一个错误，虽然z只是0-d张量，只有一个数字。

import tensorflow as tf
z = tf.Variable(4)
with tf.Session() as session:
        print(session.run(z))

我突出显示了使用的单词，因为如果你只是有未运行的变量（或者运行的非变量取决于它们），你不需要初始化它们。

例如，此代码将毫无问题地执行，但它有2个变量和一个依赖于它们的操作。但是运行不需要它们。

import tensorflow as tf
x = tf.constant(35, name='x')
y = tf.Variable(x + 5, name='y')
z = tf.Variable(4)
a = y + z
with tf.Session() as session:
        print("x = ", session.run(x))

Answer 2

来自docs（强调我的）：

调用tf.Variable（）会向图表中添加几个操作：


包含变量值的变量op。

初始化程序操作，用于将变量设置为其初始值。这实际上是一个tf.assign op。

初始值的操作，例如示例中偏差变量的零操作也会添加到图表中。

后来，

必须在您的其他操作之前显式运行变量初始值设定项模型可以运行。最简单的方法是添加一个运行的操作所有变量初始值设定项，并在使用模型之前运行该操作。

简而言之，global_variables_initializer永远不需要Variable初始化。只要代码中有Variables，就必须先将它们初始化。 global_variables_initializer助手初始化之前声明过的所有Variables，因此只是一种非常方便的方法。

Answer 3

除非您在tensorflow会话运行中使用声明的tf.Variable或tf.placeholder，否则绝不是必需的。就个人而言，我总是养成tf.global_variables_initializer()的习惯。当运行tensorflow模型时，它几乎成为锅炉板代码的一部分：

with tf.Session(graph=graph) as sess:
    sess.run(tf.global_variables_initializer())

    # run model etc...

Answer 4

tf.global_variables_initializer只是初始化tf.global_variables()列出的所有变量。在分布式环境中，这实际上非常有意义，其中图可能位于集群中的不同计算节点中。

在这种情况下，tf.global_variables_initializer()只是 tf.variables_initializer(tf.global_variables()) 的别名，会初始化放置图表的所有计算节点中的所有变量。

当实际需要global_variables_initializer（）时

4 个答案: