我希望能够使用tf.initialize_variables()使用特定列表初始化tensorflow变量。所以，为了测试这个案例，我正在尝试这个，但它失败了：
sess.run(tf.initialize_variables(tf.all_variables()))
错误：
tensorflow.python.framework.errors.FailedPreconditionError: Attempting to use uninitialized value Layer_0/Initialize_Variables/weights
对我来说真的很奇怪，它是这样运作的：
sess.run(tf.initialize_variables([tf.all_variables()[0]]))
sess.run(tf.initialize_variables([tf.all_variables()[1]]))
sess.run(tf.initialize_variables([tf.all_variables()[2]]))
...
因此，如果我创建自己要初始化的变量列表，也会发生同样的情况。可能我误解了张量流机制的某些东西。有任何想法吗？如果我不必为每个变量使用循环，我会很高兴。
答案 0 :(得分：2)
在没有看到代码的情况下很难分辨，但我的猜测是你正在从另一个变量初始化一个变量，这在TensorFlow中有点棘手。例如，我想你正在做这样的事情：
v_1 = tf.Variable(...)
v_2 = tf.Variable(v_1)
如果您尝试执行sess.run(tf.initalize_all_variables())，则会失败，因为它会尝试并行初始化v_1和v_2，但v_2的初始化将失败（因为它输入目前未初始化。）
如果以递增顺序迭代tf.all_variables()列表，它将起作用，因为v_1被添加到v_2之前的列表中，因此顺序运行将导致{{1}在v_1之前初始化。 （猜测一下，如果你以反向顺序迭代v_2，它就会因类似错误而失败。）
修复有点微妙：每当您从另一个变量tf.all_variables()初始化变量v_2时，您应该使用v_1.initialized_value()作为v_1＆＃39的参数; s构造函数：
v_2使用v_1 = tf.Variable(...)
v_2 = tf.Variable(v_1.initialized_value())
在两个初始值设定项之间添加控件依赖关系，以便v_1.initialized_value在v_1之前初始化，即使您尝试并行初始化它们。