Tensorflow报错：尝试使用未初始化值，求w和b初始化方案

嘿，我明白你遇到的麻烦了——当变量的形状在循环中动态变化时，常规的初始化方法确实会失效，而且tf.local_variables_initializer()本来就不是用来初始化w、b这类全局变量的，难怪没用！下面给你几个可行的解决方案：

方案1：创建变量时禁用形状校验 #

TensorFlow的变量默认会校验形状一致性，你可以在定义w和b的时候设置validate_shape=False，允许后续动态修改它们的形状：

# 初始可以给一个临时形状，或者直接用动态张量初始化
w = tf.Variable(tf.random_normal([1, 1]), validate_shape=False)
b = tf.Variable(tf.zeros([1]), validate_shape=False)

然后在循环中需要更新尺寸时，用tf.assign来赋予新形状的张量，同样加上validate_shape=False：

# 假设循环中每次计算出新的形状new_shape_w和new_shape_b
new_w = tf.random_normal(new_shape_w)
new_b = tf.zeros(new_shape_b)

# 执行赋值操作
assign_w_op = tf.assign(w, new_w, validate_shape=False)
assign_b_op = tf.assign(b, new_b, validate_shape=False)
sess.run([assign_w_op, assign_b_op])

初始化时，一定要用tf.global_variables_initializer()，因为w和b是全局变量（不是局部变量），这才是正确的初始化方式：

sess.run(tf.global_variables_initializer())

方案2：循环内动态创建变量（适用于独立迭代场景） #

如果循环中的每个w和b都是独立的、不需要复用的，你可以在每次循环迭代中创建新的变量，然后单独初始化它们：

for i in range(num_iterations):
    # 每次循环根据当前尺寸创建变量
    current_w_shape = get_current_shape(i)  # 你自己的形状逻辑
    w = tf.Variable(tf.random_normal(current_w_shape))
    b = tf.Variable(tf.zeros([current_w_shape[-1]]))
    
    # 初始化当前的w和b
    sess.run([w.initializer, b.initializer])
    
    # 后续使用当前的w和b进行计算
    ...

这种方法的缺点是变量会随着循环次数增多而累积，如果你不需要保留之前的变量，记得及时清理或者使用变量作用域管理。

关键注意点 #

• 永远不要用tf.local_variables_initializer()初始化w、b这类模型参数——局部变量是指像batch normalization的滑动平均、计数器这类辅助变量，你的参数属于全局变量范畴。
• 如果你的形状是在运行时才能确定的，尽量用tf.shape(tensor)获取动态形状，而不是tensor.get_shape()（后者是静态形状，可能无法反映运行时的实际尺寸）。

内容的提问来源于stack exchange，提问作者Eleanor