在TF1中，语句x.assign(1)实际上并未将值1分配给x ，而是创建了tf.Operation ，您必须显式运行以更新变量。*调用Operation.run()或Session.run()可用于运行操作：

assign_op = x.assign(1)
sess.run(assign_op)  # or `assign_op.op.run()`
print(x.eval())
# ==> 1

（*实际上，它返回一个tf.Tensor ，与变量的更新值相对应，以便更轻松地链接分配。）

但是，在TF2中， x.assign(1)现在会急切地分配值：

x.assign(1)
print(x.numpy())
# ==> 1

首先，您可以通过使用占位符的相同方式将值输入变量/常量来为它们分配值。因此，这样做完全合法：

import tensorflow as tf
x = tf.Variable(0)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(x, feed_dict={x: 3})

关于您与tf.assign（）运算符的混淆。在TF中，在会话内部运行它之前不会执行任何操作。因此，您始终必须执行以下操作： op_name = tf.some_function_that_create_op(params) ，然后在会话内部运行sess.run(op_name) 。以assign为例，您将执行以下操作：

import tensorflow as tf
x = tf.Variable(0)
y = tf.assign(x, 1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(x)
    print sess.run(y)
    print sess.run(x)

另外，还必须注意，如果您使用的是your_tensor.assign() ，则无需显式调用tf.global_variables_initializer因为assign操作会在后台为您执行此操作。

例：

In [212]: w = tf.Variable(12)
In [213]: w_new = w.assign(34)

In [214]: with tf.Session() as sess:
     ...:     sess.run(w_new)
     ...:     print(w_new.eval())

# output
34 

但是，这不会初始化所有变量，而只会初始化执行assign的变量。

您也可以为tf.Variable分配新值，而无需在图形上添加操作： tf.Variable.load(value, session) 。从图形外部分配值时，此功能还可以节省添加占位符的功能，这在图形完成时很有用。

import tensorflow as tf
x = tf.Variable(0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(x))  # Prints 0.
x.load(1, sess)
print(sess.run(x))  # Prints 1.

更新：在TF2中对此进行了描述，因为默认情况下急切执行，并且在面向用户的API中不再显示图形。