使用tf.random多次运行会话会为conv2d返回不同的值

如果我用选项1运行上面的代码，我会得到与

x\u conv\u np

和

x\u conv\u np2

但是，当我使用选项2运行上述命令时，我会得到不同的

x\u conv\u np

和

x\u conv\u np2

值

我猜tf.random_normal在每次运行会话时都会初始化。 这是注定要发生的吗？ 即使我执行

tf.set\u random\u seed

有人能解释一下会话运行时TensorFlow是如何初始化其随机变量的吗？

所有in-TensorFlow（包括）在每次运行时都会采样一个新的随机张量：

TensorFlow有几个操作可以创建具有不同分布的随机张量。随机操作是有状态的，每次计算时都会创建新的随机值

如果要对分布进行一次采样，然后重新使用结果，则应使用

tf.Variable

并通过运行

tf.random\u normal（）

一次对其进行初始化。例如，以下代码将打印相同的随机值两次：

import tensorflow as tf 
import numpy as np 

x_tf = tf.placeholder('float',[None, 2, 5, 1])
x_np = np.random.noraml(0,1,[1,2,5,1])

# ======== filter option1 and option2 ===========
f_np = np.random.normal(0,1,[1,3,1,1])
f_tf = tf.constant(f_np,'float') # option 1
f_tf = tf.random_normal([1,3,1,1]) # option 2
# ===============================================

x_conv = tf.nn.conv2d(x_tf,f_tf,[1,1,1,1],'SAME')

with tf.Session() as sess:
     tf.global_variables_initializer().run()
     x_conv_np  = sess.run(x_conv, feed_dict={x_tf: x_np})
     x_conv_np2 = sess.run(x_conv, feed_dict={x_tf: x_np})

---

难道你的代码没有输入错误吗。您的提要应该是

{x\u tf:x\u np}

谢谢！修正了错误，谢谢！我完全忘记了我必须将权重初始化为tf.Variable（…）

f_tf = tf.Variable(tf.random_normal([1, 3, 1, 1]))
# ...
init_op = tf.global_variables_initializer()
# ...
with tf.Session() as sess:
  sess.run(init_op)
  print(sess.run(f_tf))
  print(sess.run(f_tf))