TensorFlow卷积网络训练报错：检索变量时形状未完全定义

这个问题我之前也碰到过，核心问题出在你定义变量的方式和tf.get_variable的使用逻辑不匹配上，咱们一步步拆解：

错误根源 #

你在variable_scope里直接执行var = some_value，这时候var只是一个普通的张量（或Python值），并没有创建tf.Variable对象，TensorFlow的变量作用域不会记录这个赋值操作。当你用tf.get_variable('myscope/var')尝试检索时，TensorFlow找不到已注册的同名变量，就会尝试创建新变量，但因为你没指定形状参数，所以抛出"形状未完全定义"的错误。

正确的解决方法 #

1. 用tf.get_variable定义变量（推荐） #

要让变量被TensorFlow的变量作用域管理，必须用tf.get_variable来创建变量，而不是直接赋值：

# 定义变量时
with tf.variable_scope('myscope') as scope:
    # 明确指定形状，或者用已知形状的初始化值
    var = tf.get_variable('var', shape=[32, 32, 3], initializer=tf.random_normal_initializer())

2. 用已有张量初始化变量（确保形状确定） #

如果some_value是你想用的初始化值，要把它作为initializer传入tf.get_variable，但前提是some_value的形状是完全确定的（不能有<unknown>的维度）：

# 假设some_value是形状确定的张量
some_value = tf.constant(0.0, shape=[32, 32, 3])
with tf.variable_scope('myscope') as scope:
    var = tf.get_variable('var', initializer=some_value)

3. 正确检索已存在的变量 #

当你需要再次获取这个变量时，要进入变量作用域的重用模式，告诉TensorFlow不要创建新变量，而是查找已存在的：

with tf.variable_scope('myscope', reuse=True):
    existing_var = tf.get_variable('var')

或者通过scope.reuse_variables()来开启重用：

with tf.variable_scope('myscope') as scope:
    scope.reuse_variables()
    existing_var = tf.get_variable('var')

额外检查点 #

• 确认some_value的形状：如果some_value是动态生成的张量（比如来自未指定形状的占位符），它的形状会包含<unknown>维度，这时候即使作为初始化值也会报错，必须确保所有维度都是明确的。
• 避免混淆tf.Variable和普通张量：直接赋值得到的是张量，只有tf.get_variable或tf.Variable()创建的才是可训练的变量对象，能被变量作用域管理。

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