是否可以多次创建TensorFlow设备

我使用tensorflow API运行图像处理脚本 . 事实证明，当我在会话运行过程之外设置for循环时，处理时间迅速减少 . 谁能告诉我为什么？有副作用吗？

原始代码：

with tf.Session() as sess:
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
for i in range(len(file_list)):
    start = time.time()
    image_crop, bboxs_crop = sess.run(crop_image(file_list[i], bboxs_list[i], sess))
    print( 'Done image %d th in %d ms \n'% (i, ((time.time() - start)*1000)))
    # image_crop, bboxs_crop, image_debug = sess.run(crop_image(file_list[i], bboxs_list[i], sess))
    labels, bboxs = filter_bbox(labels_list[i], bboxs_crop)
    # Image._show(Image.fromarray(np.asarray(image_crop)))
    # Image._show(Image.fromarray(np.asarray(image_debug)))
    save_image(image_crop, ntpath.basename(file_list[i]))
    #save_desc_file(file_list[i], labels_list[i], bboxs_crop)
    save_desc_file(file_list[i], labels, bboxs)
coord.request_stop()
coord.join(threads)

代码修改：

for i in range(len(file_list)):
with tf.Graph().as_default(), tf.Session() as sess:
    start = time.time()
    image_crop, bboxs_crop = sess.run(crop_image(file_list[i], bboxs_list[i], sess))
    print( 'Done image %d th in %d ms \n'% (i, ((time.time() - start)*1000)))
    labels, bboxs = filter_bbox(labels_list[i], bboxs_crop)
    save_image(image_crop, ntpath.basename(file_list[i]))
    save_desc_file(file_list[i], labels, bboxs)

原始代码中的时间成本将从200ms增加到甚至20000ms . 在修改之后，日志消息表明在运行期间创建了多个图形和张量流设备，为什么会这样？

python random_crop_images_hongyuan.py我的tensorflow / stream_executor / dso_loader.cc：135]在本地成功打开了CUDA库libcublas.so.8.0我的tensorflow / stream_executor / dso_loader.cc：135]在本地成功打开了CUDA库libcudnn.so.5我张量/ / stream_executor / dso_loader.cc：135]在本地成功打开了CUDA库libcufft.so.8.0我的tensorflow / stream_executor / dso_loader.cc：135]在本地成功打开了CUDA库libcuda.so.1我的张量/ stream_executor / dso_loader.cc：135]在本地成功打开了CUDA库libcurand.so.8.0 W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用SSE3指令，但这些指令在您的机器上可用，可以加速CPU计算 . W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用SSE4.1指令，但这些指令可在您的计算机上使用，并可加速CPU计算 . W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用SSE4.2指令，但这些指令可在您的计算机上使用，并可加速CPU计算 . W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用AVX指令，但这些指令可在您的计算机上使用，并可加速CPU计算 . W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用AVX2指令，但这些指令可在您的计算机上使用，并可加速CPU计算 . W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow库未编译为使用FMA指令，但这些指令可在您的计算机上使用，并可加速CPU计算 . I tensorflow / stream_executor / cuda / cuda_gpu_executor.cc：910]从SysFS读取的成功NUMA节点有负值（-1），但必须至少有一个NUMA节点，因此返回NUMA节点零I tensorflow / core / common_runtime / gpu /gpu_device.cc:885]找到具有属性的设备0：名称：GeForce GT 730M major：3 minor：5 memoryClockRate（GHz）0.758 pciBusID 0000：01：00.0总内存：982.88MiB可用内存：592.44MiB I tensorflow / core / common_runtime / gpu / gpu_device.cc：906] DMA：0 I tensorflow / core / common_runtime / gpu / gpu_device.cc：916] 0：YI tensorflow / core / common_runtime / gpu / gpu_device.cc：975]创建TensorFlow设备（/ gpu：0） - >（设备：0，名称：GeForce GT 730M，pci总线ID：0000：01：00.0）完成图像3000 th 317 ms I tensorflow / core / common_runtime / gpu / gpu_device.cc：975]创建TensorFlow设备（/ gpu：0） - >（设备：0，名称：GeForce GT 730M，pci总线ID：0000：01：00.0）完成图像3001 th 325 ms I tensorflow / core / common_runtime / gpu / gpu_device.cc ：975]创建TensorFlow设备（/ gpu： 0） - >（设备：0，名称：GeForce GT 730M，pci总线ID：0000：01：00.0）在312毫秒内完成图像3002 I tensorflow / core / common_runtime / gpu / gpu_device.cc：975]创建TensorFlow设备（/ gpu：0） - >（设备：0，名称：GeForce GT 730M，pci总线ID：0000：01：00.0）完成图像3003 th 147 ms I tensorflow / core / common_runtime / gpu / gpu_device.cc：975 ]创建TensorFlow设备（/ gpu：0） - >（设备：0，名称：GeForce GT 730M，pci总线ID：0000：01：00.0）在447毫秒内完成图像3004