兄弟，刚从Caffe转TensorFlow踩这种变量初始化的坑太正常了！我帮你捋捋几个大概率的问题点，你对照着排查下：

• 别搞反了「建图」和「初始化」的顺序
  很多人会犯这个错：先跑了tf.global_variables_initializer()，之后才调用get_model去创建模型结构。这时候模型里的变量都是初始化操作之后才生成的，自然没被包含在初始化集合里！一定要先完整定义好所有模型变量，再创建并运行初始化操作。

• 别忘了初始化局部变量
  TensorFlow里不是所有变量都属于「全局变量」，比如tf.metrics系列函数生成的统计变量、或者某些临时变量属于局部变量，tf.global_variables_initializer()碰不到它们。你可以把全局和局部初始化合并起来执行：

  init_op = tf.group(tf.global_variables_initializer(), tf.local_variables_initializer())
  sess.run(init_op)
  

• 检查tf.get_variable的作用域和复用逻辑
  你用了tf.get_variable，有没有可能在不同作用域下重复创建了同名变量，或者没正确设置reuse参数？比如模型里有共享层的话，第二次调用对应层的时候必须设置reuse=True，不然会生成全新的未初始化变量。另外，确保所有用tf.get_variable创建的变量都指定了initializer，别漏了某几层的设置。

• 打印变量列表排查遗漏
  你可以把当前所有全局变量打印出来，看看是不是有意料之外的变量存在：

  print([v.name for v in tf.global_variables()])
  

  把输出和你预期的变量列表对比，找出那些凭空出现的变量，针对性去看是哪段代码生成的，再调整初始化逻辑。

• 适应TensorFlow和Caffe的习惯差异
  Caffe里层的参数初始化是和层定义绑定死的，TensorFlow的变量管理灵活很多，但也容易踩「动态建图」的坑。比如别像在Caffe里那样，建完图还随便加新层——在TensorFlow里，初始化操作一旦创建，之后新增的变量就不会被包含进去，必须重新生成初始化操作。

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