Tensorflow学习(1)-计算图的使用，会话

计算图

计算图是Tensorflow值最基本的一个概念，Tensorflow中所有计算都会转化为计算图上的节点。Tensorflow会自动生成一个默认的计算图。

不同计算图上的张量和运算都不会共享，在以下代码中示意了如何在不同计算图上定义和使用变量

import tensorflow as tf
g1=tf.Graph()
with g1.as_default():
    b=tf.get_variable("b",shape=[1]) //定义变量
    
g2=tf.Graph()
with g2.as_default():
    b = tf.get_variable("b", shape=[1,2])//定义
//图中变量的使用
with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()//initializer是初始化的意思
    with tf.variable_scope("",reuse=True)://scope是范围的意思
        print(sess.run(tf.get_variable("b")))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("b")))

计算图不仅可以隔离张量和计算，还可以通过tf.Graph.device函数来指定运行计算的设备。

g=tf.Graph()
with g.device('/gpu:0'):
    result = 1+2
    print(result)

 

会话

以前看到下面这个表达方式不明白，今天了解了。

sess = tf.Session()
sess.run(...)
#使用这种模式，在所有计算完成之后，需要明确调用Session.close来关闭对话并释放资源
#但是意外关闭时，会导致close不被执行而资源泄露
sess.close()


#使用Python的上下文管理器来管理这个会话就可以解决这问题了
with tf.Session() as sess:
    sess.run()

也算是学习到了关于Python的知识。python的上下文管理器会在退出时自动释放所有资源