TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()

session：
- with tf.Session() as sess:/ tf.InteractiveSession()
- 初始化：
  - tf.global_variables_initializer()
```
with tf.Session() as sess:sess.run(tf.global_variables_initializer())
```

0. tf.Graph

命名空间与 operation name（oper.name 获取操作名）：

c_0 = tf.constant(0, name="c")  # => operation named "c"
print(c_0.name)
# Already-used names will be "uniquified".
c_1 = tf.constant(2, name="c")  # => operation named "c_1"# Name scopes add a prefix to all operations created in the same context.
with tf.name_scope("outer"):c_2 = tf.constant(2, name="c")  # => operation named "outer/c"# Name scopes nest like paths in a hierarchical file system.with tf.name_scope("inner"):c_3 = tf.constant(3, name="c")  # => operation named "outer/inner/c"# Exiting a name scope context will return to the previous prefix.c_4 = tf.constant(4, name="c")  # => operation named "outer/c_1"# Already-used name scopes will be "uniquified".with tf.name_scope("inner"):c_5 = tf.constant(5, name="c")  # => operation named "outer/inner_1/c"

1. 使用 tf.Session().run() 读取变量的值十分耗时

#CODING: UTF-8
import time
import tensorflow as tfN = 100000
x = tf.constant([1.])
b = 1.with tf.Session() as sess:sess.run(tf.initialize_all_variables()) t1 = time.time()for _ in range(N):y = sess.run(x)print('使用sess.run() 读取变量数据耗时', time.time()-t1)t2 = time.time()for _ in range(N):a = bprint('直接赋值耗时', time.time()-t2)

2. tf.Session().run() 与 Tensor.eval()

假设 x 为 tf 下的一个 Tensor 对象，t.eval() 执行的动作就是 tf.Session().run(t) 。

import tensorflow as tf
x = tf.constant([5.])print(tf.Session().run(x))with tf.Session():print(x.eval())

在第二个例子中，session的作用就象context manager，context manager在with块的生存期，将session作为默认的 session。对简单应用的情形（如单元测试），context manager的方法可以得到更简洁的代码；如果你的代码要处理多个graph和 session，更直白的方式可能是显式调用Session.run()。

session.run()是非常耗时的,千万不要用session.run的方式去取数据
Session.run()和Tensor.eval()区别是什么？

TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()相关推荐

Tensorflow 学习二 tf.Session().run
以下为tf.Session().run 说明,其接受的fetches参数可以有多种类型. def run(self, fetches, feed_dict=None, options=None, ru ...
TensorFlow学习笔记(一)---graph,op,tensor,Session,Variables,Tensorboard
1. 机器学习深度学习算法分类:神经网络(简单) 神经网络(深度) 回归 ...
tensorflow学习(二)——finetune预训练网络--以mobileNetV1为例
文章目录一. 流程二. mobileNetV1预训练一. 流程微调预训练的流程为准备数据定义网络结构,除了网络外,还可以根据需要定义梯度下降算法,准确度计算等. 找到网络的定义,设置需要导 ...
tensorflow学习笔记（四十五）：sess.run(tf.global_variables_initializer()) 做了什么？
当我们训练自己的神经网络的时候,无一例外的就是都会加上一句 sess.run(tf.global_variables_initializer()) ,这行代码的官方解释是初始化模型的参数.那么,它到 ...
tensorflow学习笔记——使用TensorFlow操作MNIST数据（1）
续集请点击我:tensorflow学习笔记--使用TensorFlow操作MNIST数据(2) 本节开始学习使用tensorflow教程,当然从最简单的MNIST开始.这怎么说呢,就好比编程入门有He ...
tensorflow学习笔记——AlexNet
2012年,Alex Krizhevsky.Ilya Sutskever在多伦多大学Geoff Hinton的实验室设计出了一个深层的卷积神经网络AlexNet,夺得了2012年ImageNet LS ...
tensorflow学习笔记（二十六）：构建TF代码
如何构建TF代码 batch_size: batch的大小 mini_batch: 将训练样本以batch_size分组 epoch_size: 样本分为几个min_batch num_epoch : ...
TensorFlow学习——tf.GPUOptions和tf.ConfigProto用法解析
在服务器上用多GPU做训练时,由于想只用其中的一个GPU设备做训练,可使用深度学习代码运行时往往出现多个GPU显存被占满清理.出现该现象主要是tensorflow训练时默认占用所有GPU的显存. 查看 ...
Tensorflow学习笔记2：About Session, Graph, Operation and Tensor
简介上一篇笔记:Tensorflow学习笔记1:Get Started 我们谈到Tensorflow是基于图(Graph)的计算系统.而图的节点则是由操作(Operation)来构成的,而图的各个节 ...

TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()

0. tf.Graph

1. 使用 tf.Session().run() 读取变量的值十分耗时

2. tf.Session().run() 与 Tensor.eval()

TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()相关推荐

最新文章

热门文章