Tensorflow似乎正在使用系统内存而不是图形处理器，并且程序在global_variable_inititializer()之后停止。

TensorFlow是一个开源的机器学习框架，它可以在各种硬件设备上运行，包括图形处理器（GPU）和中央处理器（CPU）。当TensorFlow在使用系统内存而不是GPU时，可能是由于以下几个原因：

驱动程序问题：首先，确保您的GPU驱动程序已正确安装并且是最新版本。可以访问GPU制造商的官方网站，如NVIDIA或AMD，以获取最新的驱动程序。
CUDA和cuDNN版本不匹配：TensorFlow依赖于CUDA和cuDNN来加速GPU计算。确保您安装的CUDA和cuDNN版本与您使用的TensorFlow版本兼容。您可以在TensorFlow官方网站上找到版本兼容性的详细信息。
TensorFlow配置问题：检查您的TensorFlow配置，确保已正确设置使用GPU进行计算。您可以在TensorFlow官方文档中找到有关如何配置GPU支持的详细说明。
内存不足：如果您的模型或数据集过大，可能会导致系统内存不足，从而导致TensorFlow使用系统内存而不是GPU。在这种情况下，您可以尝试减小模型的规模或使用更小的数据集。

关于程序在global_variable_inititializer()之后停止的问题，可能是由于以下原因：

代码逻辑错误：检查您的代码，确保在调用global_variable_inititializer()之后没有其他错误导致程序停止。可以使用调试工具来逐步执行代码并查找问题所在。
数据加载问题：如果您的程序在global_variable_inititializer()之后停止，可能是由于数据加载失败或数据格式不正确。确保您的数据加载代码正确，并且数据格式与模型的期望格式匹配。
训练参数设置问题：检查您的训练参数设置，例如学习率、批量大小等。不正确的参数设置可能导致训练过程停止或无法收敛。

总之，要解决TensorFlow使用系统内存而不是GPU以及程序在global_variable_inititializer()之后停止的问题，需要仔细检查硬件、驱动程序、配置、代码逻辑和数据加载等方面的问题，并进行逐步调试和排除。如果问题仍然存在，您可以参考TensorFlow官方文档、社区论坛或寻求专业人士的帮助来解决问题。

腾讯云相关产品和产品介绍链接地址：