我在尝试通过这个网站上的线性回归（LR）示例来熟悉TensorFlow框架。LR的源代码可以在这里找到，文件名为03_linear_regression_sol.py。
一般来说，LR的定义模型为Y_predicted = X * w + b，其中
w和b是参数（tf.Variable）Y_predicted和X是训练数据（placeholder）
对于w和b，在示例代码中，它们的定义如下
w = tf.Variable(0.0, name='weights')b = tf.Variable(0.0, name='bias')我对这两行代码稍作修改，如下所示
w = tf.get_variable('weights', [], dtype=tf.float32)b = tf.get_variable('bias', [], dtype=tf.float32)在本实验中，我得到了这两个版本的不同total_loss/n_samples值。更具体地说，在原始版本中，我每次都得到了一个确定的结果，为1539.0050282141283。但在修改后的版本中，我在不同运行时间得到了不确定的结果，例如，total_loss/n_samples可能为1531.3039793868859、1526.3752814714044等。
tf.Variable()和tf.get_variable()之间的区别是什么？
回答：
tf.Variable在创建时接受一个初始值（常量），这解释了当你使用它时得到的确定性结果。
tf.get_variable略有不同：它有一个initializer参数，默认值为None，其解释如下：
如果
initializer为None（默认值），则会使用变量作用域中传递的默认初始化器。如果那个也是None，则会使用glorot_uniform_initializer。
由于你没有传递初始化器，变量获得了均匀随机的初始值。
