Tensorflow学习笔记（三）会话Session、placeholder

最新推荐文章于 2022-08-27 18:17:25 发布
最新推荐文章于 2022-08-27 18:17:25 发布
阅读量594 收藏 1
点赞数 1
文章标签： python tensorflow 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_35535616/article/details/106668832
版权

一、Tensorflow的运行模型——会话

Tensorflow大致可分为两个子系统：前端系统，后端系统。前端系统提供编程模型，负责构造计算图，后端系统提供运行环境，负责执行计算图。

①会话的使用方式：
1、标准方法：
Session类的Session（）构造函数创建会话
Session类的close（）关闭会话释放本次会话的资源
此方法虽然简单，但是程序出错后，close（）函数不会生效，容易造成资源泄露。

2、with/as：
环境上下文管理器，格式如下：
with tf.compat.v1.Session() as sess:
sess.run(…)

②在定义计算的时候，Tensorflow会会自动生成一个默认的计算图，可以用：
with sess.as_default():
进行指定默认的计算图。这样指定后可以对对应的计算图进行修改。

③直接创建默认计算图：

sess = tf.compat.v1.InteractiveSession()

④在会话中计算张量图的取值方法：
根据笔记（二）中的程序对张量图进行取值有

......
......
result = a + b
.......
print(result.eval())

结果如下：

......
......
......
2020-06-10 16:25:08.171836: W tensorflow/core/common_runtime/gpu/gpu_device.cc:1598] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...
2020-06-10 16:25:08.334874: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-10 16:25:08.335558: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0 
2020-06-10 16:25:08.336069: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N 
2020-06-10 16:25:08.341047: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x269d1617000 initialized for platform CUDA (this does not guarantee that XLA will be used). Devices:
2020-06-10 16:25:08.341649: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): GeForce GTX 1080 Ti, Compute Capability 6.1
[4. 6.]
[4. 6.]

......
......
......
with tf.compat.v1.Session(graph=g2) as sess:
    tf.compat.v1.global_variables_initializer ().run()
    with tf.compat.v1.variable_scope("",reuse = True):
        print(sess.run(a))
        print(sess.run(b))
        print(a.eval(session=sess))

结果如下：

......
......
......
2020-06-10 16:27:02.996298: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-10 16:27:02.996904: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      
[0. 0.]
[1. 1.]
[0. 0.]

同Session.run（）相比
eval（）函数等价于tf.get_default_session().run(t)
只能计算一个张量图就调用一次eval（）函数
run（）函数可以传入多个需要计算的张量

⑤Session的参数配置：
1). session拥有管理CPU、GPU、网络连接的功能。
2). session的主要参数有三个：
target：用来控制session使用的硬件设备，如果为空值则调用本地设备；若取grpc://URL则调用该服务器控制的所有设备。
config：用来指定一个configProto配置参数，
graph：用来控制session运行哪个计算图，如果为空值则运行当前默认graph。
3). configProto可以配置多种参数，两种为常用：
log_device_placement=True: 打印日志
allow_soft_placement=True: 当运算无法在GPU上进行时会将运算转移到CPU上运行（自动选择设备）
4). config的使用：

config = tf.ConfigProto()
config.gpu_options.allow_growth = True
#动态申请显存
session = tf.Session(config=config）

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.5  
#占用50%显存
session = tf.Session(config=config)

需要注意的是，占用显存这一条必须设置，否则GPU利用率100%会出现 warning。

二、placeholder机制：

用于在会话运行时动态提供输入数据。一旦大量数据涌入计算图中，需要定义很多的网络输入常量（之前定义的a，b）于是计算图中会涌现大量的输入节点，降低节点利用率。

格式：

tf.compat.v1.placeholder(dtype,shape,name)
例如：
a = tf.compat.v1.placeholder(tf.float32,shape=(2),name="input")
a = tf.compat.v1.placeholder(tf.float32,shape=(4，2),name="input") #4个二维数组（4个数组，每个数组两个元素）
#dtype,name必须指定，shape可以不指定或者=None

这时a，b中的量可以通过input提供，用feed_dict在run（result，feed_dict={…}）来提供
例如：

sess.run(result,feed_dict = {a:[1.0,2.0]})

这种操作解决了多变量问题
例如：
program1：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.9
a = tf.constant([1.0,2.0],name = "a")
b = tf.constant([3.0,4.0],name = "b")
result = a + b
sess = tf.compat.v1.Session(config=config)
print(sess.run(result))
b = tf.constant([5.0,6.0],name = "b")
result = a + b
print(sess.run(result))
b = tf.constant([7.0,8.0],name = "b")
result = a + b
print(sess.run(result))
b = tf.constant([9.0,10.0],name = "b")
result = a + b
print(sess.run(result))

结果如下：
......
......
......
Skipping registering GPU devices...
2020-06-10 21:23:15.423641: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-10 21:23:15.424093: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0 
2020-06-10 21:23:15.424393: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N 
2020-06-10 21:23:15.429428: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x228ad4038f0 initialized for platform CUDA (this does not guarantee that XLA will be used). Devices:
2020-06-10 21:23:15.430001: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): GeForce GTX 1080 Ti, Compute Capability 6.1
[4. 6.]
[6. 8.]
[ 8. 10.]
[10. 12.]

program2：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
#动态图机制一定要打开，不打开会报错RuntimeError: tf.placeholder() is not compatible with eager execution.
a = tf.compat.v1.placeholder(tf.float32,name="input")
b = tf.compat.v1.placeholder(tf.float32,name= "input")
result = a + b
config = tf.compat.v1.ConfigProto(allow_soft_placement=True)
config.gpu_options.per_process_gpu_memory_fraction = 0.9
sess = tf.compat.v1.Session(config=config)
print(sess.run(result,feed_dict={a:[1.0,2.0],b:[[3.0,4.0],[5.0,6.0],[7.0,8.0],[9.0,10.0]]}))

结果如下：
......
......
......
Skipping registering GPU devices...
2020-06-10 21:30:49.502263: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-10 21:30:49.502737: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0 
2020-06-10 21:30:49.503013: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N 
2020-06-10 21:30:49.508552: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x1dd6fbf0c70 initialized for platform CUDA (this does not guarantee that XLA will be used). Devices:
2020-06-10 21:30:49.509124: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): GeForce GTX 1080 Ti, Compute Capability 6.1
[[ 4.  6.]
 [ 6.  8.]
 [ 8. 10.]
 [10. 12.]]

第二种在输入合适的时候可以一次运行多个运算，并且不用每次定义变量，其形状不定义的时候取决于输入。
在测试program1时有：

......
......
......
result = a + b
print(sess.run(result,feed_dict={a:[1.0,2.0],b:[3.0,4.0]}))

结果显示：
[4. 6.]

这说明feed_dict对一般定义的变量也有效。然而，当改变b的维数后有：

......
......
......
result = a + b
print(sess.run(result,feed_dict={a:[1.0,2.0],b:[[3.0,4.0],[5.0,6.0],[7.0,8.0],[9.0,10.0]]}))

结果报错：
ValueError: Cannot feed value of shape (4, 2) for Tensor 'b_3:0', which has shape '(2,)'

注意：在定义b中定义shape的情况下，feed和shape不符合时同样会报错

柠檬巧克力、
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
tensorflow中session和placeholder的理解
qq_42028916的博客
06-02 285
tensorflow中session和placeholder的理解 placeholder等价于函数的输入。sess.run()等价于函数的调用。例如： import tensorflow.compat.v1 as tf tf.disable_eager_execution() sess = tf.Session() a = tf.placeholder("float") b = tf.placeholder("float") c = tf.constant(6.0) d = tf.mul(a, b)
TensorFlow Session&&Variable&&PlaceHolder
winycg的博客
11-13 289
Session 会话持有并管理tensorflow程序运行时的所有资源 session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果。 import tensorflow as tf import numpy as np #定义常量矩阵 matrix1 = tf.constant([[3,
2.6 tensorflow2.3学习--占位符placeholder
baochunlei1的博客
11-15 789
自己开发了一个股票智能分析软件，功能很强大，需要的点击下面的链接获取： https://www.cnblogs.com/bclshuai/p/11380657.html 1.1 占位符placeholder 占位符。这是一个在定义时不需要赋值，但在使用之前必须赋值（feed）的变量，可以用数据通过feed_dict给填充进去就可以，通常用作训练数据。 tf.placeholder(dtype, shape=None, name=None) placeholder，占位符，在tensorflow中.
tensorflow使用Session模块时报错：AttributeError: module ‘tensorflow‘ has no attribute ‘Session‘，已解决
03-10 2083
安装好tensorflow2.0之后，当使用Session时，报错AttributeError: module 'tensorflow' has no attribute 'Session'： 源代码： 1 2 3 4 5 6 7 8 9 import tensorflow as tf import os os.environ["CUDA_VISIBLE_DEVICES"]="0" a=
tensorflow学习笔记--Session
m0_52126875的博客
08-27 2009
(2)config 用来 指定一个 tf.ConfigProto 格式的 session 运行配置，比如说它里面包含的 allow_soft_placement 如果指定为 TRUE，那么 session 就会自动把不适合在 GPU 上运行的 OP 全部放到 CPU 上运行；(1)target 用来控制 session 使用的硬件设备， 如果使用空值，那么这个 session 就只会使用本地的设备，如果使用 grpc:// URL，那么就会使用这台服务器控制的所有设备。3.Session的运行。...
TensorFlow_note:tensorflow学习笔记
05-11
**TensorFlow学习笔记** 在深度学习领域，TensorFlow是一个广泛使用的开源库，它由Google Brain团队开发，主要用于构建和训练机器学习模型。本笔记将详细探讨TensorFlow的基础知识、核心概念以及如何使用Python进行...
Tensorflow_Demo:Tensorflow学习笔记
03-17
在 "Tensorflow_Demo: TensorFlow 学习笔记" 中，我们将深入探讨 TensorFlow 的核心概念、基本操作以及如何在 Jupyter Notebook 环境中进行实践。 **1. TensorFlow 核心概念** - **张量（Tensor）**: TensorFlow ...
炼数成金Tensorflow课程笔记1
08-08
在"炼数成金Tensorflow课程笔记1"中，主要涵盖了TensorFlow的基本概念、代码示例，以及简单的线性和非线性回归模型。 1. **基本概念** TensorFlow 使用图（graphs）来表示计算任务，这些图由操作（operations）...
人工智能实践：Tensorflow笔记.zip
最新发布
04-25
《人工智能实践：TensorFlow笔记》是一份深度探讨人工智能领域中TensorFlow框架的综合学习资料。TensorFlow是由Google Brain团队开发的开源库，主要用于数值计算，广泛应用于机器学习和深度学习领域。本压缩包包含了...
TensorFlow笔记_tensorflow_
10-01
通过阅读"TensorFlow笔记：第一讲神经网络计算.pdf"，初学者可以逐步了解并实践这些概念，从而建立起对TensorFlow的基本理解和应用能力。随着经验的积累，可以进一步探索更复杂的应用，如深度学习模型、自然语言处理...
Session会话控制
gogogomc的博客
06-10 153
import tensorflow as tf #保证sess.run()能够正常运行 tf.compat.v1.disable_eager_execution() matrix1=tf.constant([[3,3]]) #两个矩阵相乘 matrix2=tf.constant([[2],[2]]) product = tf.matmul(matrix1,matrix2) #method 1 sess = tf.compat.v1.Session() result = sess.run(product) p
python编程之with tf.Session() as sess:有什么用
热门推荐
信徒博客
12-06 1万+
疑惑 我经常在python代码中看到with tf.Session() as sess: 这个究竟有什么用处？ 解惑 Session提供了Operation执行和Tensor求值的环境; 由于回话接受以后需要手动关闭，不然变量没有办法释放； 以下方法可以不用手动关闭 使用with tf.Session()创建上下文（Context）来执行，当上下文退出时自动释放 如果没...
Tensorflow深度学习之四：placeholder和Session
DaVinciL的博客
07-18 4195
本文简单介绍了一下Tensorflow中的placeholder的使用方法。（由于本人最近刚刚接触Tensorflow，对其中的概念若有解释错误，还请不吝指出。）import tensorflow as tf #Tensorflow默认会话 sess = tf.InteractiveSession()#建立两个矩阵变量w1和w2 #tf.random_normal(shape, #
基于TensorFlow深度学习理论与实战（1）： TensorFlow（Tensor、Session、执行图、Operation、Variable、初始化、Placeholder占位符、graph）
陈宸的博客
04-15 902
目录 Tensor? Flow? Session(会话) 执行图 Operations Variable 初始化 Variable赋值 Placeholder占位符 给placeholder赋值：feed graph graph可视化：tensorboard Tensor? Flow? import tensorflow as tf tensor是张量的意思,顾...
tensorflow学习笔记 -- 图和会话
duduhonghong的博客
07-08 1267
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...
tf.compat.v1.Session
weixin_36670529的博客
06-05 5951
目录 Class Session __init__ Properties graph graph_def sess_str Methods __enter__ __exit__ as_default close list_devices make_callable partial_run partial_run_setup reset run Class Ses...
关于tensorflow2.0的tf.Session() as sess的说明
weixin_45365242的博客
01-27 4059
import tensorflow.compat.v1 as tf #import tensorflow as tf tf.disable_eager_execution() #2.0版本与1.0版本不兼容，使用2.0版本时应使用上面的程序完成从1.x到2.x的迁移 a = tf.constant(4) b = tf.constant(7) c = a*b sess = tf.compat.v1.Session() #使用1.0的迁移 print(sess.run(c)) sess.close()#2.
python-Tensorflow基本用法
Vivinia的博客
07-26 927
先屏蔽警告信息（不影响运行） ： import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #1是默认的显示等级，显示所有信息，2显示 warning 和 Error ，3只显示 Error """相加""" import tensorflow as tf w=tf.Variable([[0.5,1.0]]) #行向量，所有的值转换成T...
在TensorFlow中出现with tf.Session() as sess: AttributeError: __enter__错误解决方法，加了括号还报错的解决办法
qq_39678190的博客
04-13 2451
新手常见问题：AttributeError表示所调用对象属性错误，记住Python是面向对象语言，该错误就是Python异常类的错误。 #创建一个会话运行TensorFlow程序 with tf.Session as sess: init_op = tf.global_variables_initializer() #初始化变量 sess.run(init_op) ...
module 'tensorflow' has no attribute 'placeholder'
03-29
This error message typically occurs when you are using an older version of TensorFlow that does not support the `placeholder` function. In TensorFlow 2.0 and later versions, the `placeholder` function has been replaced by the `tf.keras.Input` function. You can use this function to define a placeholder for your input data. If you are using an older version of TensorFlow, you can try upgrading to the latest version or using a different function to define your placeholders. For example, in TensorFlow 1.x, you can define a placeholder using the following code: ``` import tensorflow as tf # Define a placeholder for input data x = tf.placeholder(tf.float32, shape=(None, 784)) ``` In TensorFlow 2.0 and later versions, you can define a placeholder using the following code: ``` import tensorflow as tf # Define a placeholder for input data x = tf.keras.Input(shape=(784,)) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值