TensorFlow运行模型——会话

TensorFlow中的会话（Session）拥有并管理TensorFlow程序运行时的所有资源，当所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄露问题。

TensorFlow中使用会话的模式有以下两种：

• 第一种模式，需要明确调用会话生成函数和关闭会话函数，这个模式的代码流程如下：

  #创建一个会话
  sess = tf.Session()
  
  #使用这个创建好的会话来得到关心的运算的结果
  sess.run(……)
  
  #关闭会话使得本次运行中使用到的资源可以被释放
  sess.close()
  

  使用这种模式时，在所有计算完成之后，需要明确调用close()函数来关闭会话并释放资源，但是当程序因为异常而退出时，关闭会话的函数可能就不会被执行从而导致资源泄露。

• 第二种模式，通过Python的上下文管理器来使用会话，可以有效解决资源泄露这个问题，代码流程如下：

  #创建一个会话，并通过Python的上下文管理器来管理这个会话
  with tf.Session() as sess:
  
  	#使用这个创建好的会话来得到关心的运算的结果
  	sess.run(……)
  

  通过Python的上下文管理器机制，只要将所有的计算放在“with”内部，当上下文管理器退出时就会自动释放所有资源。

TensorFlow会自动生成一个默认的计算图，如果没有特殊指定，计算会自动加到这个计算图当中，但TensorFlow不会自动生成默认的会话，而是需要手动指定，当默认的会话被指定后可以通过eval()函数来计算一个张量的取值，代码示例如下：

import tensorflow as tf

a = tf.constant([1.0,2.0], name="a")
b = tf.constant([2.0,3.0], name="b")
result = a + b

sess = tf.Session()

with sess.as_default():
    print(result.eval())    
print(sess.run(result))
print(result.eval(session=sess))

sess.close()

执行以上代码，会发现三个输出结果相同：

[3. 5.]
[3. 5.]
[3. 5.]

在交互环境下（如Python脚本或Jupyter编辑器），TensorFlow还提供了一种直接构造默认会话的函数——tf.InteractiveSession()函数，省去了将生成的会话注册为默认会话的过程，如下：

import tensorflow as tf

a = tf.constant([1.0,2.0], name="a")
b = tf.constant([2.0,3.0], name="b")
result = a + b

#自动将生成的会话注册为默认会话
sess = tf.InteractiveSession()
print(result.eval())

sess.close()

TensorFlow还支持在生成会话时通过tf.ConfigProto()函数配置相应参数，代码如下：

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

tf.ConfigProto()函数有以下两个参数：

1. allow_soft_placement参数为True：代表某些计算无法被当前GPU支持时，可以自动调整到CPU上，而不是报错，可以提高代码的可移植性（默认为False）。

2. log_device_placement参数为True：代表日志中会记录每个节点被安排在了哪个设备上以方便调试（参数被设置为False可以减少日志量）。