Tensorflow会话

        会话 提供了估算张量和执行操作的运行环境，它是发放计算任务的客户端，所有计算任务都由它链接的执行引擎完成。一个会话的典型使用流程分为以下3步：

#1.创建会话
sess = tf.Session(target=...,graph=...,config=...)
#2.估算张量或执行操作
sess.run(...)
#3.关闭会话
sess.close()

参数名称	功能说明
target	会话连接的执行引擎
graph	会话加载的数据流图
config	会话启动时的配置项

刚学的时候一般都时缺省设置参数，并没有给这三个参数赋值，直接

sess = tf.Session()

或者

with tf.Session() as sess:

例子：

（1）

import tensorflow as tf
#创建数据流图：z = x *  y
#tf.compat.v1.disable_eager_execution()
x = tf.placeholder(tf.float32,name='x')
y = tf.placeholder(tf.float32,name='y')
z = tf.multiply(x,y,name='z')
#创建会话
sess = tf.Session()
#向数据节点x和y分别填充浮点数3.0和2.0，并输出结果
print(sess.run(z,feed_dict={x : 3.0,y : 2.0}))

 运行结果：（因为我装的时tensorflow2.0，1.0的有些函数使用方法有一点变化。）

 （2）

import tensorflow as tf
#创建数据流图：c = a +  b
a = tf.constant(1.0,name='a')#constant常量操作，不需要初始化就能得到对应的值
b = tf.constant(2.0,name='b')
c = tf.add(a,b,name='c')
#创建会话
sess = tf.Session()
#估算张量c的值
print(sess.run(c))

 之前一直用的会话sess.run()获取数据流图中的张量值,其实还有张量这个类本身有个估算方法：估算张量（Tensor.eval），所有的操作也有这么一个对应的方法叫（Operation.run）。看下面例子：

import tensorflow as tf
#创建数据流图：y = W *  x + b,其中W和b为存储节点，x为数据节点。
x = tf.placeholder(tf.float32)#占位符操作
W = tf.Variable(1.0)#定义变量
b = tf.Variable(1.0)
y = W * x + b
with tf.Session() as sess:
                tf.global_variables_initializer().run()#Operation.run()#初始化变量W和b,在执行sess后W和b其实被真正意义上赋予值1.0
                fetch = y.eval(feed_dict={x:3.0})#Tensor.eval
                print(fetch)

 tf.global_variables_initializer().run()#Operation.run()#初始化变量W和b,在执行sess后W和b其实被真正意义上赋予值1.0。这里也没有用之前的sess.run(tf.global_variables_initializer())来初始化变量，而是直接使用了这个操作的.run()方法。

对比该例子：

#获取张量值的另外两种方法：估算张量（Tensor.eval）与执行操作（Operation.run）
import tensorflow as tf
#创建数据流图：y = W *  x + b,其中W和b为存储节点，x为数据节点。
x = tf.compat.v1.placeholder(tf.float32)
W = tf.Variable(1.0)
b = tf.Variable(1.0)
y = W * x + b
with tf.compat.v1.Session() as sess:
                sess.run(tf.compat.v1.global_variables_initializer())
                print(sess.run(y,feed_dict={x : 3.0}))

 

TensorFlow 会话执行原理

当我们调用sess.run(train op)语向执行训练操作时：
• 首先，程序内部提取操作依赖的所有前置操作。这些操作的节点共同组成一幅子图。

•然后，程序会将子图中的计算节点、存储节点和数据节点按照各自的执行设备分类，相同设备上的节点组成了一幅局部图。

•最后，每个设备上的局部图在实际执行时，根据节点间的依赖关系将各个节点有序地加载到设备上执行。