Session()方法
tensorflow的内核使用更加高效的C++作为后台,以支撑它的密集计算。tensorflow把前台(即python程序)与后台程序之间的连接称为"会话(Session)"
Session
作为会话,主要功能是指定操作对象的执行环境,Session
类构造函数有3个可选参数。
target
(可选):指定连接的执行引擎,多用于分布式场景。graph
(可选):指定要在Session对象中参与计算的图(graph)。config
(可选):辅助配置Session对象所需的参数(限制CPU或GPU使用数目,设置优化参数以及设置日志选项等)。
run()方法
Session对象创建完毕,便可以使用它最重要的方法run()来启动所需要的数据流图进行计算。
run()方法有4个参数:
run(
fetches,
feed_dict=None
options=None,
run_metadata=None
)
(1).fetches参数
- '取得之物',表示数据流图中能接收的任意数据流图元素,各类Op/Tensor对象。Op,run()将返回None;Tensor,rnu()将返回Numpy数组。
import tensorflow as tf
from collections import namedtuple
a = tf.constant([10, 20])
b = tf.constant([1.0, 2.0])
session = tf.Session()
v1 = session.run(a) #fetches参数为单个张量值,返回值为Numpy数组
print(v1)
v2 = session.run([a, b]) #fetches参数为python类表,包括两个numpy的1维矩阵
print(v2)
v3 = session.run(tf.global_variables_initializer()) #fetches 为Op类型
print(v3)
session.close()
[10 20]
[array([10, 20], dtype=int32), array([ 1., 2.], dtype=float32)]
None
(2). feed_dict参数
- 可选项,给数据流图提供运行时数据。
feed_dict
的数据结构为python中的字典,其元素为各种键值对。"key"为各种Tensor对象的句柄;"value"很广泛,但必须和“键”的类型相匹配,或能转换为同一类型。
import tensorflow as tf
a = tf.add(1, 2)
b = tf.multiply(a, 2)
session = tf.Session()
v1 = session.run(b)
print(v1)
replace_dict = {a:20}
v2 = session.run(b, feed_dict = replace_dict)
print(v2)
6
40
作者:forsch
链接:https://www.jianshu.com/p/cd8e76dfeb01
来源:简书
简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。