Python tf.global_variable_initializer（）与会话有关？

我对Tensorflow中的会话的理解似乎仍然有缺陷，即使在阅读了本手册和教程之后

特别是，

tf.global\u variable\u initializer（）

是针对特定会话还是针对程序中的所有会话初始化全局变量？是否有方法在会话中/会话期间“取消初始化”变量

tf.变量能否在多个会话中使用？答案似乎是肯定的（例如，下面的代码），但是我们是否希望在一个程序中有多个会话，而不是一个会话

#!/usr/bin/env python
import tensorflow as tf

def main():
    x = tf.constant(0.)
    with tf.Session() as sess:
        print(sess.run(x))
    with tf.Session() as sess:
        print(sess.run(x))

if __name__ == '__main__':
    main()

尤其是
tf.global\u variable\u initializer（）
是否针对特定会话或程序中的所有会话初始化全局变量？

tf.reset_default_graph()
x = tf.Variable(tf.random.normal([1,5]))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    first_init_out = sess.run(x)
    sess.run(tf.global_variables_initializer())
    second_init_out = sess.run(x)

np.testing.assert_array_equal(first_init_out, second_init_out)

关于特定的会议。看看这个

tf.reset_default_graph()
x = tf.Variable(tf.random.normal([1,5]))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    first_sess_out = sess.run(x)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    second_sess_out = sess.run(x)

np.testing.assert_array_equal(first_sess_out, second_sess_out)

断言失败，因此它是每个会话


是否有方法在会话中/会话期间“取消初始化”变量？

tf.reset_default_graph()
x = tf.Variable(tf.random.normal([1,5]))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    first_init_out = sess.run(x)
    sess.run(tf.global_variables_initializer())
    second_init_out = sess.run(x)

np.testing.assert_array_equal(first_init_out, second_init_out)

显然，在运行
tf.global\u variables\u initializer（）之后，变量被重新初始化。因此，断言失败


是否可以在多个会话中使用
tf.Variable
？答案似乎是肯定的（例如，下面的代码），但我们是否希望在一个程序中有多个会话，而不是一个会话？

tf.reset_default_graph()
x = tf.Variable(tf.random.normal([1,5]))
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    first_init_out = sess.run(x)
    sess.run(tf.global_variables_initializer())
    second_init_out = sess.run(x)

np.testing.assert_array_equal(first_init_out, second_init_out)

是的，正如您在上面的示例中所看到的，可以使用它。好的情况是您希望在一次运行中多次执行图形。
感谢提供详细的示例。由于缺乏理解，我无法自己构建它们。但奇怪的是：在第一个示例中，为什么
sess.run（x）
在
tensorflow
会话中返回
numpy
数组？？？对这种奇怪行为的任何引用？当使用
sess.run（x）
执行操作
x
时，相应的输出不再是
tf.Tensor
，而是
numpy
数组。