TensorFlow运行模型-会话

TensorFlow中使用会话（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回来帮助系统回收资源。
可以明确调用会话生成函数和关闭函数：

import tensorflow as tf

#定义两个向量a,b
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([2.0, 3.0], name='b')
result = a+b
sess = tf.Session() #生成一个会话，通过一个会话session来计算结果
print(sess.run(result))
sess.close() #关闭会话

若程序在执行中异常退出，可能会话不能关闭，所以可以使用Python上下文管理器的机制，将所有的计算放在“with”的内部，在代码块中执行时就可以保持在某种运行状态，而当离开该代码块时就结束当前状态，省去会话关闭代码：

with tf.Session() as sess:
    print(sess.run(result))
#    print(result.eval())  #这行代码也可以直接计算

TensorFlow不会自动生成默认的会话，需要程序员指定。将会话指定为默认会话则TensorFlow执行时自动启用此会话：

sess = tf.Session()
with sess.as_default():
    print(result.eval()) #tf.Tensor.eval在默认会话中可直接计算张量的值

在使用python编写时，可以使用函数直接构建默认会话：

sess = tf.InteractiveSession()
print(result.eval())
sess.close()

会话可以通过ConfigProto Protocol Buffer来进行功能配置，类似于并行的线程数、GPU分配策略、运算超过时间等参数设置。比较常用的是以下两个：

config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)

第一个allow_soft_placement参数，当其为True时，在以下任意一个条件成立时，GPU上的运算可以放到CPU上计算：

1. 运算不能在GPU上运行
2. 没有空闲GPU可使用
3. 运算输入包含对CPU计算结果的引用

设置为True，可以使代码的可移植性更强。
第二个log_device_placement参数，当其为True时，日志中将会记录每个节点被安排在了哪个设备上，但其会增加日志量。
若上述代码在没有GPU的机器上运行，会获得以下输出

Device mapping: no known devices.

注：GPU计算和CPU计算的区别：
CPU 由专为顺序串行处理而优化的几个核心组成，而 GPU 则拥有一个由数以千计的更小、更高效的核心（专为同时处理多重任务而设计）组成的大规模并行计算架构。