TensorFlow变量重分配与作用域：两种几何实现为何效果不同？

你的实现2失效的核心问题是赋值操作没有被实际执行，加上对TensorFlow变量赋值机制的理解偏差，导致theta_变量始终保持初始值0，最终旋转矩阵R_自然不会更新。

具体原因拆解 #

1. assign()方法的本质误解
   在TensorFlow中，tf.Variable.assign()并不会直接修改变量的值，它只是在计算图中创建一个赋值操作节点。只有当你通过session.run()执行这个节点时，变量的实际值才会被更新。

   看你实现2里的set_theta方法：

   def set_theta(self, theta):
       self.theta_.assign(theta)  # 仅创建赋值操作，未执行
       s.session.run(self.theta_)  # 只是读取变量当前值，不是执行赋值
   

   这里你调用assign()后没有保存返回的赋值操作，反而去run变量本身——这仅仅是读取theta_当前的初始值（0），完全没有触发赋值动作。

   而实现1中，你把assign()返回的赋值操作重新赋值给了joint.theta_，然后run这个操作节点，才真正完成了变量更新：

   joint.theta_ = joint.theta_.assign(math.pi/4.)
   session.run(joint.theta_)
   

2. 全局Session的潜在隐患（次要）
   你在session.py中提前创建了全局Session，然后在实现2中用with s.session as session:包裹——虽然这不是本次失效的直接原因，但这种方式可能导致Session生命周期管理混乱。tf.Session的上下文管理器会在退出with块时自动关闭Session，后续如果再使用这个全局Session可能会报错。

修正后的实现2代码 #

只需要修改set_theta方法，确保执行赋值操作：

def set_theta(self, theta):
    # 创建并执行赋值操作
    assign_op = self.theta_.assign(theta)
    s.session.run(assign_op)

或者更简洁地直接run赋值操作的返回值：

def set_theta(self, theta):
    s.session.run(self.theta_.assign(theta))

另外，建议调整Session的使用方式，避免全局Session带来的问题。比如可以在session.py中提供一个获取Session的方法，或者在主程序中统一管理Session生命周期。

补充：TensorFlow计算图的静态特性说明 #

你定义的self.R_是在__init__时构建的计算节点，它依赖theta_变量。只要theta_的值被正确更新，后续调用R_.eval()时，TensorFlow会自动重新计算依赖theta_的所有节点，所以修正赋值操作后，旋转矩阵就能正常更新了。

内容的提问来源于stack exchange，提问作者user650261