TensorFlow问题：堆叠张量数组中所有元素求值结果为何完全相同？

你的问题核心在于混淆了TensorFlow计算图中的节点引用和实际数值存储，加上每次循环都重新初始化变量，导致最终堆叠的张量所有行都使用了最后一次变量初始化后的结果。

为什么会出现重复值？ #

让我们拆解一下你的代码逻辑：

1. 你在图中定义了固定的dr1、dr2变量节点——它们是计算图里的固定操作，不是具体的数值。
2. 每次循环都调用sess.run(init)，这会把dr1和dr2重新初始化为新的随机值。
3. 你把row = tf.concat([dr1, dr2, rowres], 0)这个张量节点添加到res列表里，但这个节点始终依赖于同一个dr1、dr2变量。
4. 当你最后eval(res_tsr)时，所有这些row节点都会重新计算，而此时dr1、dr2已经被最后一次init设置成了新值，所以所有行都变成了最后一次的结果。

简单说：你存的是"计算规则"，不是"计算结果"，每次eval都会用最新的变量值重新计算所有规则。

修正方案：存储实际数值而非张量节点 #

解决思路是每次循环中先获取变量的具体数值，把数值存入列表，最后再将整个数值列表转换成TensorFlow张量。这样每个元素都是独立的数值，不会被后续的变量初始化覆盖。

修正后的代码如下：

import tensorflow as tf

g = tf.Graph()
res = []
with g.as_default():
  with tf.Session() as sess:
    # 定义变量节点
    dr1 = tf.Variable(tf.random_uniform([1], minval=1, maxval=7, dtype=tf.int32, seed=0))
    dr2 = tf.Variable(tf.random_uniform([1], minval=1, maxval=7, dtype=tf.int32, seed=1))
    rowres = tf.add(dr1, dr2)
    init = tf.global_variables_initializer()

    for i in range(5):
      sess.run(init)  # 每次初始化得到新的随机值
      # 直接获取当前变量的数值，而不是张量节点
      dr1_val, dr2_val, rowres_val = sess.run([dr1, dr2, rowres])
      # 拼接数值成1x3的列表，存入结果列表
      row_val = [dr1_val[0], dr2_val[0], rowres_val[0]]
      res.append(row_val)
    
    # 最后把数值列表转换成张量
    res_tsr = tf.convert_to_tensor(res, dtype=tf.int32)
    print(res_tsr.eval())

运行这段代码，你会得到符合预期的输出：

[[4 4 8]
 [4 4 8]
 [2 3 5]
 [4 1 5]
 [3 6 9]]

另一种方案：在计算图中创建独立节点 #

如果你希望全程在计算图中操作（不提前获取数值），可以每次循环创建新的随机张量（而非复用同一个变量），这样每个row都是独立的节点，不会互相影响：

import tensorflow as tf

g = tf.Graph()
res = []
with g.as_default():
  with tf.Session() as sess:
    for i in range(5):
      # 每次循环创建新的随机张量，不使用变量，也就不需要初始化
      dr1 = tf.random_uniform([1], minval=1, maxval=7, dtype=tf.int32, seed=i)
      dr2 = tf.random_uniform([1], minval=1, maxval=7, dtype=tf.int32, seed=i+1)
      rowres = tf.add(dr1, dr2)
      row = tf.concat([dr1, dr2, rowres], 0)
      res.append(row)
    
    res_tsr = tf.stack(res)
    print(res_tsr.eval())

注意这里我们给每个随机张量设置了不同的seed，确保每次循环的随机值不同。

内容的提问来源于stack exchange，提问作者Gensoukyou1337