Tensorflow中的会话

1、所有计算完成之后需要关闭会话来帮助系统回收资源。

2、TensorFlow中使用会话的两种模式：

（1）明确调用生成会话函数和关闭会话函数：

sess = tf.Session()
sess.run(...)
sess.close()

（2）通过python的上下文管理器来使用会话：

with tf.Session() as sess:
    sess.run(...)

3、（1）TensorFlow不会自动生成默认的会话，需要手动指定。当默认的会话被指定之后可以通过tf.Tensor.eval函数来计算一个张量的值，例

sess = tf.Session()
with sess.as_default():
    a = tf.Variable([10, 20])
    tf.global_variables_initializer().run()
    print(a.eval())
//注，若不指定“默认会话”，sess.run(result)和result.eval(sess)的作用相同

     （2）在交互式环境下，直接构建默认的会话，可以使用tf.InteractiveSession，例

sess = tf.InteractiveSession()
a = tf.constant([1.0, 3.0], shape=(2, ))
print(a.eval())
sess.close()

4、通过ConfigProto配置会话

config = tf.ConfigProto(allow_soft_placement=True,
                        log_device_placement=True )
sess = tf.Session(config=config)
(或交互式环境下 sess = tf.InteractiveSession(config=config))

  ConfigProto可以配置 a allow_soft_placement, b log_device_placement, c 类似并行的线程数，d GPU分配策略， e 运算超时时间等。其中，

  （1）allow_soft_placement为bool型参数，默认为False， 取True时，在以下任意一个条件成立时，GPU上的运算可以放到CPU上进行：

          ① 运算无法在GPU上执行；

          ② 无GPU资源（如指定在第二个GPU上运行，但机器只有一个GPU）；

          ③ 运算输入包含对CPU计算结果的引用。

  （2）log_device_placement为bool型参数，当设为True时，日志中会记录每个节点被安排在哪个设备上以方便调试。