tensorflow学习笔记 -- 图和会话

1. 图：描述数据在operation(计算单元)间流动结构的对象

有点类似于一个模块或者一个类，两个图之间的张量不会互通，相当于两个类各自的私有变量不会互通一样。计算单元就是不同和函数，一个图就相当于很多数据一块内存中执行很多写好的函数运算。但是一张图仅仅表示张量与运算的结构自己不会去自动运算，需要调用特定的方法才能执行运算最终得到结果。

2. 会话：运行图的类

如下图所示，会话首先为图分配内存然后选择硬件来计算图中的运算。总的来说会话有以下作用：

• 运行图的结构
• 分配资源计算
• 掌握资源(变量的资源，队列，线程等等)

2.1. 上下文管理器

原始的一个会话可以写成如下样式：

import tensorflow as tf
#创建一个会话
sess = tf.Session()
#执行图中的函数
sess.run()
sess.run()
#释放资源
sess.close()

上面写法每次使用完会话都要释放资源很麻烦，可以使用上下文管理器(with)来简化，写成如下样式：

import tensorflow as tf

with tf.Session() as sess:
    sess.run()
    sess.run()

2.2. 执行特定图 

一个会话只能运行一个图，上面会话所执行的是默认的图，如果想要执行特定的图可以写成如下样式：

import tensorflow as tf
#创建一个新的图
g = tf.Graph()
#运行新创建的图
with tf.Session(graph=g) as sess:
    sess.run()

2.3. congfig参数及警告级别设置

接下来使用config参数来打印计算所使用的设备信息，代码样式如下：

import tensorflow as tf
import os

# 将警告提示级别设为2，用于去掉一些不重要的警告
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 计算5.0+10.0
a = tf.constant(5.0)
b = tf.constant(10.0)
sum1 = tf.add(a, b)
# 使用config参数来显示每一次operation所使用的设备信息
with tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True)) as sess:
    print(sess.run(sum1))

下面是打印的结果：

2.4. 重载

正常tensorflow执行不了普通的变量，但是在重载下是可以转换的，代码式样如下：

import tensorflow as tf

# 不是operation运行不了
# var1 = 3
# var2 = 4
# sum2 = var1 + var2

# 重载机制,如果其中一个是operation可以将另一个普通变量转换为operation
var1 = 3
var2 = tf.constant(4)
sum2 = var1 + var2

with tf.compat.v1.Session() as sess:
    print(sess.run(sum2))

2.5. placeholder及feed_dict

placeholder类似于普通函数的参数一样，可以实时提供数据，代码式样如下：

import tensorflow as tf

# placeholder是一个占位符，feed_dict是一个字典
# 第一个参数表示数据类型，第二个参数表示形状也就是几行几列的数据，例如下面是2行3列
plt = tf.placeholder(tf.float32, [2, 3])
# 如果形状不确定可以使用None来代替，例如下面是不确定几行但是确定3列的数据
plt1 = tf.placeholder(tf.float32, [None, 3])

with tf.compat.v1.Session() as sess:
    print(sess.run(plt, feed_dict={plt: [[2, 2, 3], [1, 3, 4]]}))