TensorFlow学习－－图graph/会话Session

张量tensor：

TensorFlow即Tensor(张量)+Flow(流动)．Tensor即张量，TensorFlow中的所有数据都称之为tensor，程序中数据的流转都是采用tensor的形式进行的．

图graph：

TensorFlow用图(graph)来表示计算任务，图中的节点被称为op(operation),一个op获得0个或多个张量（tensors）．TensorFlow中有一个默认图，op构造器可以为其增加节点．

会话Session：

图必须在会话(Session)里被启动．会话(Session)将图分发到设备(CPU/GPU)上，并提供执行节点op的方法，计算结果以tensor返回(Python中返回的是numpy ndarray对象)．Session提供的是运行环境，用完要及时释放．释放方式有两种：显式关闭/调用代码块．

1.显式关闭

直接调用Session.close():

# 计算两个向量的乘积：

import tensorflow as tf
# 产生一个 1x2 矩阵,加到默认图中
# 两个常量op
matrix1 = tf.constant([[3., 1.]])
matrix2 = tf.constant([[2.], [3.]])
# 一个矩阵乘法op
product = tf.matmul(matrix1, matrix2)

# 启动默认图
sess = tf.Session()

# 函数调用run()触发图中三个op的执行
result = sess.run(product)
print result
# 关闭会话
sess.close()

输出：

[[ 9.]]

2.采用代码块

使用with句块开始一个会话，在with句块结束时会话（Session）会被自动析构释放掉．

示例：

# 计算两个向量的乘积：

import tensorflow as tf
# 产生一个 1x2 矩阵,加到默认图中
# 两个常量op
matrix1 = tf.constant([[3., 1.]])
matrix2 = tf.constant([[2.], [3.]])
# 一个矩阵乘法op
product = tf.matmul(matrix1, matrix2)

with tf.Session() as sess:
    result = sess.run([product])
    print result

输出：

[array([[ 9.]], dtype=float32)]

示例中的默认图有3个节点，2个constant节点，1个matmul节点，然后在会话session中载入这个图，进行矩阵运算得到结果．

会话(Session)将图分发到设备(CPU/GPU)上:

当设备上不止一个GPU时，需要使用with…Device语句指定op操作到不同的CPU或GPU上．

使用字符串指定设备的标识：

1. “/cpu:0”:CPU
2. “/gpu:0”:第一个GPU
3. “/gpu:1”:第二个GPU

示例：

import tensorflow as tf

with tf.Session() as sess:
    with tf.device("/cpu:0"):
        matrix1 = tf.constant([[1., 3., 1]])
        matrix2 = tf.constant([[3.], [2.], [1.]])
        product = tf.matmul(matrix1, matrix2)
        sess = tf.Session()
        result = sess.run([product])
        print result

输出：

[array([[ 10.]], dtype=float32)]

交互式 TensorFlow 会话:

在类似IPython的交互式Python环境中，可以使用InteractiveSession代替Session类．使用Tensor.eval()和Operation.run()代替Session.run()，可避免用一个变量来持有会话．

# 交互式TensorFlow会话
import tensorflow as tf
# 使用InteractiveSession代替Session类
sess = tf.InteractiveSession()

x = tf.Variable([1., 2.])
a = tf.constant([3., 2.])

# 用Tensor.eval()和Operation.run()方法代替Session.run()
# 避免使用一个变量来持有会话
# 使用初始化器initializer run()方法初始化x
x.initializer.run()

# 从x减去a
sub = tf.subtract(x, a)
print sub.eval()

输出：

[-2.  0.]