TensorFlow笔记——会话

• 前言

TensorFlow使用tf.Session()类来表示客户端程序（通常为Python程序，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，因为TensorFlow底层是用C++实现，会话提供了沟通它们的接口，使我们创建的数据和操作能运行起来。而且，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。

• 开启会话

一个运行TensorFlow operation的类，会包含以下两种开启方式

tf.Session:用于完整的程序当中

tf.InteractiveSession:用于交互式上下文中的TensorFlow,例如shell

先说下tf.InteractiveSession，tf.Session下面细说，两种开启方式说完后在说下区别

tf.InteractiveSession()是一种交互式的session方式，它让自己成为了默认的session，也就是说用户在不需要指明用哪个session运行的情况下，就可以运行起来。若在交互式环境中，就很方便，如ipython

比如，我们想要看某个张量具体的值，在图中我们是看不了的，要在会话中才能看到，

import tensorflow as tf 


def session_demo():

    a = tf.constant(5)
    b = tf.constant(6)
    sum_c = tf.add(a,b)

    tf.InteractiveSession()
    print(sum_c.eval())
        
    return None

if __name__ == "__main__":
    session_demo()

可以看到，我们在开启交互之后，直接通过eval()的方式就可以运行操作

————————————————————————————————————————————————————

接着说tf.Session，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，或将会话作用与上下文管理器。

 

先看下会话中各参数的意义：

创建会话对象__init__(target=’’,graph=None,config= None)

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grppc://网址,以便指定TensorFlow服务器的地址，这使得会话可以访问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，这个在我的第一篇博客中有提到，这里就不细说了

config:此参数允许您指定一个tf.ConfigProto以控制会话的行为，例如，ConfigProto协议用于打印设备使用信息。

这个举个简单例子就明白了

import tensorflow as tf 

def session_demo():

    a = tf.constant(5)
    b = tf.constant(6)
    sum_c = tf.add(a,b)

    with tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) as sess:
        sum_c_value = sess.run(sum_c)
        print("sum_c_value:\n",sum_c_value)
            
    return None

if __name__ == "__main__":
    session_demo()

输出结果：

Device mapping: no known devices.
Add: (Add): /job:localhost/replica:0/task:0/device:CPU:0
Const: (Const): /job:localhost/replica:0/task:0/device:CPU:0
Const_1: (Const): /job:localhost/replica:0/task:0/device:CPU:0
sum_c_value:
 11

其中：

allow_soft_placement = True : 如果你指定的设备不存在，允许TF自动分配设备
log_device_placement = True : 是否打印设备分配日志

自动打印了设备信息，还可以控制GPU资源等，相关的可自行百度

 

• 传统的会话定义与使用上下文管理器的比较：

传统的会话定义：

import tensorflow as tf 

def session_demo():

    a = tf.constant(5)
    b = tf.constant(6)
    sum_c = tf.add(a,b)
    
    #开启会话
    #传统的会话定义
    sess = tf.Session()
    sum_c_value = sess.run(sum_c)
    print("sum_c_value:\n",sum_c_value)
    sess.close()
    
    return None

if __name__ == "__main__":
    session_demo()

使用上下文管理器：

import tensorflow as tf 

def session_demo():

    a = tf.constant(5)
    b = tf.constant(6)
    sum_c = tf.add(a,b)
    
    #采用上下文管理器
    with tf.Session() as sess:
        sum_c_value = sess.run(sum_c)
        print("sum_c_value:\n",sum_c_value)
    
    return None

if __name__ == "__main__":
    session_demo()

两种方法输出结果相同，传统的会话定义方式需要自己调用close()方法来释放资源，如果我们过早的释放了资源，很可能会产生错误，我们一般将会话作用与上下文管理器，让其在合适的时候自动将其关闭。

————————————————————————————————————————————————————

两种启动方式说完了，来说下两者的区别：

tf.InteractiveSession()默认自己就是用户要操作的session；而tf.Session()没有这个默认，因此用eval()启动计算时需要指明session。

• 会话的run()

run(fetches,feed_dict = None,options=None,run_metadata=None)

会话创建好之后，通过sess.run()来运行Operation

fetches:单一的Operation，或者列表、元组（其他不属于TensorFlow的类型不行）

feed_dict:参加允许调用这覆盖图中张量的值，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()也可以运行operation，但需要在会话中运行

fetches传入多个值时，这里以列表为例：

import tensorflow as tf 

def session_demo():

    a_t = tf.constant(5)
    b_t = tf.constant(6)
    c_t = tf.add(a_t,b_t)

    with tf.Session() as sess:

        #同时查看a_t,b_t,c_t
        abc = sess.run([a_t,b_t,c_t])
        print("abc_1:\n",abc)
        
        a,b,c= sess.run([a_t,b_t,c_t])
        print("abc_2:\n",a,b,c)
       
    return None

if __name__ == "__main__":
    session_demo()

输出结果：

abc_1:
 [5, 6, 11]
abc_2:
 5 6 11

• feed操作：

有的时候，我们在定义张量的时候，我们并不确定具体的值时什么，就可以用placeholder去定义，相当于先占了一个位置

placeholder提供占位符，定义时必须要填类型，run时候通过feed_dict指定参数，

import tensorflow as tf 

def ph_demo():

    #定义占位符，此时我们并不知道a_ph,b_ph的值
    a_ph = tf.placeholder(tf.float32)
    b_ph = tf.placeholder(tf.float32)
    c_ph = tf.add(a_ph,b_ph)
    print('a_ph:\n',a_ph)
    print('b_ph:\n',b_ph)
    print('c_ph:\n',c_ph)

if __name__ == "__main__":
    ph_demo()

运行结果：

a_ph:
 Tensor("Placeholder:0", dtype=float32)
b_ph:
 Tensor("Placeholder_1:0", dtype=float32)
c_ph:
 Tensor("Add:0", dtype=float32)

如果运行时不指定feed_dict:

import tensorflow as tf 

def ph_demo():

    #定义占位符
    a_ph = tf.placeholder(tf.float32)
    b_ph = tf.placeholder(tf.float32)
    c_ph = tf.add(a_ph,b_ph)
    print('a_ph:\n',a_ph)
    print('b_ph:\n',b_ph)
    print('c_ph:\n',c_ph)


    with tf.Session() as sess:

        #运行placeholder
        c_ph_value = sess.run(c_ph)
        print("c_ph_value:\n",c_ph_value)


if __name__ == "__main__":
    ph_demo()

运行时会报错：

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder_1' with dtype float
         [[{{node Placeholder_1}} = Placeholder[dtype=DT_FLOAT, shape=<unknown>, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

运行时指定feed_dict，如：

c_ph_value = sess.run(c_ph,feed_dict={a_ph:3.0,b_ph:4.0})

运行结果：

a_ph:
 Tensor("Placeholder:0", dtype=float32)
b_ph:
 Tensor("Placeholder_1:0", dtype=float32)
c_ph:
 Tensor("Add:0", dtype=float32)
c_ph_value:
 7.0

通过feed_dict传一个字典，告诉会话a_ph,b_ph的值；当然，传的数据必须和所定义的类型一致