我主要在R中开发模型，目前正在学习TensorFlow。我正在学习一个包含以下代码的教程
raw_data = [1., 2., 8., -1., 0., 5.5, 6., 13] spike = tf.Variable(False)spike.initializer.run()for i in range(1, len(raw_data)): if raw_data[i] - raw_data[i-1] > 5: updater = tf.assign(spike, True) updater.eval() else: tf.assign(spike, False).eval() print("Spike", spike.eval())sess.close()从外行的角度来看，为什么我在TensorFlow中需要初始化和使用变量？我知道这可能是一个基础问题，但在R中没有涉及到这个问题。
回答：
让我们来看看这个脚本实际上做了什么：
spike = tf.Variable(False)这一行创建了一个符号变量或计算图中的一个节点，并使用常量初始化器。在这一点上，这个变量还没有分配任何东西。此外，甚至还不知道它将被放置在哪个设备（CPU或GPU）上。
接下来，
spike.initializer.run()这一行在你已经启动的默认会话中运行spike初始化器。
请注意，首先，尽管代码完全有效，但在实际应用中并不典型。更常见的是，职责分离：模型在一个或多个源文件中定义，并在另一个或多个文件中执行。初始化逻辑上属于后者，因为只有在会话开始时，内存才会被分配。
其次，常量并不是初始化变量的唯一选项。例如，Xavier初始化器需要整个图结构来计算输入和输出的连接数量，并从中推导出标准偏差。如果我们在定义期间尝试初始化变量，它根本不会工作。
我希望现在TensorFlow的设计变得更加清晰：初始化器确实是一个专用的操作。特别是对于你的用例，TensorFlow已经发布了急切模式，这是一种命令式、按运行定义的接口，其中操作在从Python调用时立即执行。
你可以这样启动它：
import tensorflow.contrib.eager as tfetfe.enable_eager_execution()… 这样可以省去像上面的样板代码。
