TensorFlow运行模型——回话

TensorFlow中的会话Session来执行定义好的运算，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，否则就可能出现资源泄露的问题。

TensorFlow中使用会话的模式一般有两种，第一种模式需要明确调用会话生成函数和关闭会话函数，代码流程如下：

import tensorflow as tf
a=tf.constant([[1.0,2.0],[2.0,3.0]],name='a')
b=tf.constant([[1.0,2.0],[3.0,4.0]],name='b')
result=a+b
sess=tf.Session()
print(sess.run(result))
sess.close()

结果为

[[2. 4.]
 [5. 7.]]

使用这种模式时，在所有计算完成后，需要明确调用Session.close函数来关闭会话并释放资源。然而，当程序因为异常退出时，关闭会话的函数就可能不会被执行从而导致资源泄露。为了解决异常退出时资源释放的问题，TensorFlow可以通过Python上下文管理器来使用会话。

import tensorflow as tf
a=tf.constant([[1.0,2.0],[2.0,3.0]],name='a')
b=tf.constant([[1.0,2.0],[3.0,4.0]],name='b')
result=a+b
with tf.Session() as sess:
    print(sess.run(result))

结果为

[[2. 4.]
 [5. 7.]]

跟第一种方式结果一样，但是无论是代码简洁程度还是防止资源泄露第二种都明显好于第一种，所以实际编写TensorFlow代码时，都推荐第二种Python上下文管理器方式。