python之tensorflow的variable本质解析

tensorflow采用C实现，variable就是C语言的变量，tensorflow规定变量必须初始化其实是减少变量的不确定性，在C语言里面，变量可以不初始化，但为初始化的变量的值不可预估
看代码：
a=tf.Variable([0,0,0]) //这其实就相当于C的变量的定义，int a[3];
b=tf.assign(a,[1,2,3]) //这其实就是变量的赋值,a[3]={1,2,3};

看完整代码：
import tensorflow as tf

a=tf.Variable([0,0,0])
op1=tf.assign(a,[1,2,3])
op2=tf.assign(a,[4,5,6])

with tf.Session() as sess:
print(op1)
print(op2)
print(sess.run(op1))
print(sess.run(op2))

输出为：
Tensor(“Assign:0”, shape=(3,), dtype=int32_ref)
Tensor(“Assign_1:0”, shape=(3,), dtype=int32_ref)
[1 2 3]
[4 5 6]
这里的assign()函数的作用是给tensorflow里面的C变量赋值，而run()函数作用于赋值操作时，就是执行操作，作用于variable对象时把tensorflow里面的C数据类型提取出来转换为numpy对象使用，就是return一个numpy对象，其实变量a在run()前和run后并没有发生变化，请看代码：
import tensorflow as tf

a=tf.Variable([0,0,0])
op1=tf.assign(a,[1,2,3])
op2=tf.assign(a,[4,5,6])
print(a)
with tf.Session() as sess:
print(op1)
print(op2)
print(sess.run(op1))
print(sess.run(op2))
print(a)
输出为：
<tf.Variable ‘Variable:0’ shape=(3,) dtype=int32_ref>
Tensor(“Assign:0”, shape=(3,), dtype=int32_ref)
Tensor(“Assign_1:0”, shape=(3,), dtype=int32_ref)
[1 2 3]
[4 5 6]
<tf.Variable ‘Variable:0’ shape=(3,) dtype=int32_ref>
变量a在run前和run后都是一个tensorflow的variable对象，并没有发生变化，run（）作用于variable对象时就是return一个numpy对象，注意赋值操作也要run一下才会执行，其实我搞不懂为什么要这样设计？？？
注意，tensorflow的坑来了，请看下面代码：
import tensorflow as tf

a=tf.Variable([0,0,0])
op1=tf.assign(a,[1,2,3])
op2=tf.assign(a,[4,5,6])

with tf.Session() as sess:
print(op1)
print(op2)
print(sess.run(op1))
print(type(sess.run(op2)))

with tf.Session() as sess:
sess.run(a)
上面代码会报错：Attempting to use uninitialized value Variable，明明已经初始化了呀？？？
其实两个sess是不同的，我们第一个sess执行的赋值操作，而第二个没有，不同的sess使用同一variable时，都要先执行赋值操作才能使用，请看代码：
import tensorflow as tf

a=tf.Variable([0,0,0])
op1=tf.assign(a,[1,2,3])
op2=tf.assign(a,[4,5,6])

with tf.Session() as sess:
print(sess)

with tf.Session() as sess:
print(sess)
输出：
<tensorflow.python.client.session.Session object at 0x0000000009C7FE10>
<tensorflow.python.client.session.Session object at 0x0000000009C7FE48>
其实我不明白为什么要这样设计，完全可以把Session设计成单例模式的