TensorFlow变量初始化大坑和小技巧

在TensorFlow的整个设计框架中，会话Session之前的图结构设计中，除了constant型是做了默认的初始化定义，其他的变量声明以及占位符都是一种数据初始化方法的描绘。

当然占位符是预告在运行过程中得到各种导入的数据（如输入数据、文件导入等），那么对于常常用来进行权重迭代的变量，在初始化的时候一般会以某种随机函数被赋以随机值（避免进行拟合陷阱），这样的变量赋值都是一个描绘，需要在会话中进行真实执行，也就是在session中，要对变量进行初始化操作，否则会出现无法执行或者执行出错的情况。

常用的初始化方法有：

weight = tf.Variable(tf.random_normal([2,3],stddev=1.0,seed=1))

sess = tf.Session()
sess.run(weight.initializer)

但是也要注意当变量很多的时候，一个个进行变量的初始化非常消耗精力，而且有时候的变量依赖关系【一会儿讲到】会成为大问题，所以也常常用一个简单的函数来进行操作，整个函数其实对于变量进行了统筹管理，方便我们码农专注在更有价值的部分：

sess = tf.Session()
init_op = tf.initialize_all_variables()
sess.run(init_op)

是了一个tf.initialzie_all_variables()，【该函数在2017年3月后被升级为了：global_variables_initializer()】类似一个变量管理器的启动函数，一定在sess中