TensorFlow之会话

1.1 会话

一个运行TensorFlow operation的类。会话包含以下两种开启方式

tf.Session：用于完整的程序当中【如在pycharm中写代码】
tf.InteractiveSession：用于交互式上下文中的TensorFlow ，例如shell 【如在命令行进行写代码】

1 TensorFlow 使用 tf.Session 类来表示客户端程序（通常为 Python 程序，但也提供了使用其他语言的类似接口）与 C++ 运行时之间的连接

2 tf.Session 对象使用分布式 TensorFlow 运行时提供对本地计算机中的设备和远程设备的访问权限。

1.1.1 init(target='', graph=None, config=None)

会话可能拥有的资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。当这些资源不再需要时，释放这些资源非常重要。因此，需要调用tf.Session.close会话中的方法，或将会话用作上下文管理器。以下两个例子作用是一样的：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()def session_demo():"""会话演示:return:"""a_t = tf.constant(10)b_t = tf.constant(20)# 不提倡直接运用这种符号运算符进行计算# 更常用tensorflow提供的函数进行计算# c_t = a_t + b_tc_t = tf.add(a_t, b_t)print("tensorflow实现加法运算：\n", c_t)# 开启会话# 传统的会话定义# sess = tf.Session()# sum_t = sess.run(c_t)# print("sum_t:\n", sum_t)# sess.close()# 开启会话with tf.Session() as sess:# sum_t = sess.run(c_t)# 想同时执行多个tensorprint(sess.run([a_t, b_t, c_t]))  # 同时运行三个，同时也需要3个变量来接收# 方便获取张量值的方法# print("在sess当中的sum_t:\n", c_t.eval())# 会话的图属性print("会话的图属性：\n", sess.graph)return Noneif __name__ == '__main__':session_demo()

运行结果：

target：如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定 grpc:// 网址，以便指定 TensorFlow 服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备。
graph：默认情况下，新的 tf.Session 将绑定到当前的默认图。
config：此参数允许您指定一个 tf.ConfigProto 以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

# 运行会话并打印设备信息
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))

会话可以分配不同的资源在不同的设备上运行。

/job:worker/replica:0/task:0/device:CPU:0

device_type：类型设备（例如CPU，GPU，TPU）

示例代码：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()def session_demo():"""会话演示:return:"""a_t = tf.constant(10)b_t = tf.constant(20)# 不提倡直接运用这种符号运算符进行计算# 更常用tensorflow提供的函数进行计算# c_t = a_t + b_tc_t = tf.add(a_t, b_t)print("tensorflow实现加法运算：\n", c_t)# 开启会话# 传统的会话定义# sess = tf.Session()# sum_t = sess.run(c_t)# print("sum_t:\n", sum_t)# sess.close()# 开启会话with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:# sum_t = sess.run(c_t)# 想同时执行多个tensorprint(sess.run([a_t, b_t, c_t]))  # 同时运行三个，同时也需要3个变量来接收# 方便获取张量值的方法# print("在sess当中的sum_t:\n", c_t.eval())# 会话的图属性print("会话的图属性：\n", sess.graph)return Noneif __name__ == '__main__':session_demo()

1.1.2 会话的run()

run(fetches,feed_dict=None, options=None, run_metadata=None)
- 通过使用sess.run()来运行operation
- fetches：单一的operation，或者列表、元组(其它不属于tensorflow的类型不行)
- feed_dict：参数允许调用者覆盖图中张量的值，运行时赋值
  - 与tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容。

使用tf.operation.eval()也可运行operation，但需要在会话中运行

# 创建图
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b# 创建会话
sess = tf.Session()# 计算C的值
print(sess.run(c))
print(c.eval(session=sess))

1.1.3 feed操作

placeholder提供占位符，run时候通过feed_dict指定参数【placehold：在运行时填充数据，通过feed_dict. 好处：图定义好，数据没有固定，在运行的每次填充然后计算】

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()def session_run_demo():"""会话的run方法:return:"""# 定义占位符a = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)sum_ab = tf.add(a, b)print("sum_ab:\n", sum_ab)# 开启会话with tf.Session() as sess:print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 3.0, b: 4.0}))return Noneif __name__ == '__main__':session_run_demo()

请注意运行时候报的错误error:

RuntimeError：如果这Session是无效状态（例如已关闭）。
TypeError：如果fetches或者feed_dict键的类型不合适。
ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在的键。

补充：tf.InteractiveSession：用于交互式上下文中的TensorFlow

TensorFlow之会话相关推荐

Tensorflow会话
Tensorflow中的会话是来执行定义好的运算的.会话拥有并管理Tensorflow程序运行时的所有资源.当计算完成之后需要关闭会话来帮助系统回收资源,否则可能出现资源泄露的问题. Tensorfl ...
Tensorflow——会话
Tensorflow中的会话是来执行定义好的运算的.会话拥有并管理Tensorflow程序运行时的所有资源.当计算完成之后需要关闭会话来帮助系统回收资源,否则可能出现资源泄露的问题. Tensorfl ...
【tensorflow速成】Tensorflow图像分类从模型自定义到测试
文章首发于微信公众号<与有三学AI> [tensorflow速成]Tensorflow图像分类从模型自定义到测试这是给大家准备的tensorflow速成例子上一篇介绍了 Caffe , ...
在iOS平台上使用TensorFlow教程（上）
在利用深度学习网络进行预测性分析之前,我们首先需要对其加以训练.目前市面上存在着大量能够用于神经网络训练的工具,但TensorFlow无疑是其中极为重要的首选方案之一. 大家可以利用TensorFlo ...
TensorFlow学习笔记之一（TensorFlow基本介绍）
文章目录 TensorFlow计算模型---计算图计算图的使用 TensorFlow数据模型---张量 TensorFlow运算模型---会话使用tf.InteractiveSession在交互式 ...
tensorflow入门基础
tensorflow程序一般分为两个阶段,在第一个阶段需要定义图中所有的计算.在第二个阶段就是执行计算. 1. 计算图的使用首先在tensorflow的程序中系统会维护一个默认的计算图,通过tf.g ...
TensorFlow是什么？怎么用？终于有人讲明白了
导读:在开始使用TensorFlow之前,必须了解它背后的理念.该库很大程度上基于计算图的概念,除非了解它们是如何工作的,否则无法理解如何使用该库.本文将简要介绍计算图,并展示如何使用TensorFl ...
tensorflow 转张量类型为float_TensorFlow是什么？怎么用？终于有人讲明白了
作者:翁贝托·米凯卢奇(Umberto Michelucci)来源:大数据DT(ID:bigdatadt) 导读:在开始使用TensorFlow之前,必须了解它背后的理念.该库很大程度上基于计算图的概 ...
TensorFlow零基础入门指南——计算模型、数据模型、运行模型！
点上方蓝字计算机视觉联盟获取更多干货在右上方 ··· 设为星标 ★,与你不见不散正文一共:4110,预计阅读时间:11分钟本篇文章主要介绍TensorFlow的基本概念,包含TensorFlow ...

TensorFlow之会话

TensorFlow之会话

1.1 会话

1.1.1 init(target='', graph=None, config=None)

1.1.2 会话的run()

1.1.3 feed操作

TensorFlow之会话相关推荐

最新文章

热门文章

TensorFlow之会话

TensorFlow之会话

1.1 会话

1.1.1 __init__(target='', graph=None, config=None)

1.1.2 会话的run()

1.1.3 feed操作

TensorFlow之会话相关推荐

最新文章

热门文章

1.1.1 init(target='', graph=None, config=None)