tf.train.init_from_checkpoint为何不初始化tf.Variable创建的变量？

我发现TensorFlow中的tf.train.init_from_checkpoint方法仅会初始化通过tf.get_variable创建的变量，而不会处理tf.Variable创建的变量。以下是我的测试示例：

首先创建两个变量并保存到 checkpoint：

import tensorflow as tf
tf.Variable(1.0, name='foo')
tf.get_variable('bar',initializer=1.0)
saver = tf.train.Saver()
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    saver.save(sess, './model', global_step=0)

如果使用tf.train.Saver加载 checkpoint，两个变量都能正常恢复为1.0：

import tensorflow as tf
foo = tf.Variable(0.0, name='foo')
bar = tf.get_variable('bar', initializer=0.0)
saver = tf.train.Saver()
with tf.Session() as sess:
    saver.restore(sess, './model-0')
    print(f'foo: {foo.eval()} bar: {bar.eval()}') # 输出: foo: 1.0 bar: 1.0

但使用tf.train.init_from_checkpoint时，只有tf.get_variable创建的bar被恢复为1.0，tf.Variable创建的foo仍保持初始值0.0：

import tensorflow as tf
foo = tf.Variable(0.0, name='foo')
bar = tf.get_variable('bar', initializer=0.0)
tf.train.init_from_checkpoint('./model-0', {'/':'/'})
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    print(f'foo: {foo.eval()} bar: {bar.eval()}') # 输出: foo: 0.0 bar: 1.0

请问这是预期行为吗？如果是，背后的原因是什么？

这确实是预期行为，背后和TensorFlow中两种变量创建方式的设计定位以及tf.train.init_from_checkpoint的功能目标直接相关：

• 首先，tf.get_variable是TensorFlow变量共享机制的核心，它创建的变量会被注册到**变量作用域（variable scope）**的管理体系中，这类变量的命名、复用逻辑明确可控，通常用于构建可复用的模型组件（比如卷积层、LSTM单元），也是预训练模型迁移时最常需要复用的对象。

• 而tf.Variable是一种更直接的变量创建方式，每次调用都会生成一个新的变量实例（即使名称相同，也会自动添加后缀区分），它并不属于变量共享体系的一部分，更多用于创建一次性的、不需要复用的变量。

tf.train.init_from_checkpoint的设计初衷就是为了方便迁移预训练模型中的共享变量，它会在全局变量初始化阶段，针对那些通过tf.get_variable创建的、与checkpoint中名称匹配的变量进行赋值；而tf.Variable创建的变量不在它的处理范围内——因为这类变量通常不被视为“可复用的预训练组件”，所以会保持你在代码中设置的初始值。

简单来说，init_from_checkpoint是专门为变量共享场景设计的初始化工具，而tf.Saver则是通用的 checkpoint 恢复工具，会处理所有全局变量，这就是两者表现不同的核心原因。

内容的提问来源于stack exchange，提问作者user209974