TensorFlow中reshape前后张量打印结果不一致的原因排查

这个问题其实是TensorFlow计算图执行机制的典型坑——你每次调用eval()（或者sess.run()）的时候，都会重新执行一遍对应的计算链，包括tf.random_normal这个随机生成操作。

问题根源分析 #

你的代码里，a_cC = tf.random_normal(...)定义的是一个生成随机数的操作节点，而不是一个固定的值。当你第一次调用a_cC.eval()时，TensorFlow会执行这个节点，生成一组随机数并返回；当你接着调用a_C_unrolled.eval()时，它会再次执行tf.random_normal节点，生成另一组全新的随机数，再做reshape——这自然就和第一次的结果对不上了。

哪怕你设置了tf.set_random_seed(1)，这个种子只是保证每次运行图时的随机序列是可复现的，但你两次eval()相当于触发了两次随机生成操作，取的是序列里的不同位置，结果当然不一样。

两种解决方法 #

方法1：一次性获取两个张量的结果

把两个张量放到同一个sess.run()调用里，这样TensorFlow只会执行一次tf.random_normal，得到的是同一组随机数，再分别返回原张量和展平后的结果：

tf.reset_default_graph()
tf.set_random_seed(1)
a_cC = tf.random_normal([1, 4, 4, 3], mean=1, stddev=4)
m, n_H, n_W, n_C = a_cC.get_shape().as_list()
a_C_unrolled = tf.reshape(a_cC,[n_H*n_W,-1])

with tf.Session() as sess:
    # 一次性运行两个节点，共享同一个随机张量
    original_tensor, unrolled_tensor = sess.run([a_cC, a_C_unrolled])
    print(original_tensor)
    print(unrolled_tensor)

方法2：用变量保存随机值

如果需要多次使用这个随机张量，可以把它存入tf.Variable中——变量在初始化时会执行一次随机生成，之后的值就固定了，不管多少次eval()都不会改变：

tf.reset_default_graph()
tf.set_random_seed(1)
# 将随机张量存入变量，初始化后值固定
a_cC = tf.Variable(tf.random_normal([1, 4, 4, 3], mean=1, stddev=4))
m, n_H, n_W, n_C = a_cC.get_shape().as_list()
a_C_unrolled = tf.reshape(a_cC,[n_H*n_W,-1])

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # 初始化变量，生成随机值
    print(a_cC.eval())
    print(a_C_unrolled.eval())  # 基于同一个变量值展平，结果匹配

补充说明 #

另外，你的原代码里用了tf.initialize_all_variables()，这个函数已经被废弃了，建议换成tf.global_variables_initializer()。而且如果只是用操作节点（不是变量），其实不需要调用初始化操作，因为没有需要初始化的变量~

内容的提问来源于stack exchange，提问作者David