在TensorFlow中，常量和变量之间的区别在于，当您声明某个常量时，其值以后将无法更改（而且初始化应使用值
而不是操作 ）。
但是，在声明变量时，将来可以使用tf.assign（）方法更改其值（并且可以通过值或操作来实现初始化）。
函数tf.global_variables_initializer（）使用作为参数传递的值初始化代码中的所有变量，但它在异步模式下工作，因此当变量之间存在依赖关系时，该函数将无法正常工作。
您的第一个代码（＃1）正常工作，因为不依赖于变量初始化，并且常量是用值构造的。
由于的异步行为，第二个代码（＃2）不起作用
tf.global_variables_initializer()。您可以使用tf.variables_initializer（）对其进行修复，如下所示：
x = tf.Variable(35, name='x')model_x = tf.variables_initializer([x])y = tf.Variable(x + 5, name='y')model_y = tf.variables_initializer([y])with tf.Session() as session: session.run(model_x) session.run(model_y) print(session.run(y))
第三个代码（＃3）无法正常工作，因为您试图通过操作初始化常量，这是不可能的。要解决此问题，适当的策略是（＃1）。
关于您的最后一个问题。
(a) session.run(model)当计算图中有变量时，您需要运行
(b) print(session.run(y))。
