Deep Learning——TensorFlow会话

TensorFlow会话

会话：一个运行TensorFlow operation的类，会话包含以下两种：

1. tf.Session：用于完整的程序当中
2. tf.InteractiveSession：用于交互式上下文中的TensorFlow，例如shell

1、张量具体值的查看

• 法1：在会话当中运行后查看
• 法2：快速查看某个张量具体的值，在会话当中使用eval()函数来获取

注：eval()函数仅限于在会话当中使用

2、交互式会话使用

在交互式会话当中，涉及到tf.InteractiveSession()的使用，他会开启一个临时的会话

3、会话的相关操作

（1）会话的创建

__init__(target='', graph=None, config=None)

• 会话是拥有资源的，会话可能拥有的资源，如：tf.Variable、tf.QueueBase和 tf.ReaderBase。当这些资源不再需要的时候，释放这些资源非常重要。因此调用tf.Session.close会话中的方法，或将会话用作上下文管理器

需要注意：

• 会话掌握有资源，用完要回收，所以使用上下文管理器（with）
• 初始化会话对象的参数
  • graph=None：指定到底要运行哪个图
  • target：如果将此参数留空，会话将仅使用本地计算机中的设备，可以指定grpc://网址，来指定 TensorFlow 服务器的地址，这将会使得会话可以访问该服务器控制的计算机上的所有设备
  • config：此参数允许指定一个 tf.ConfigProto 以便控制会话的行为，例如ConfigProto协议用于打印设备使用信息

使用config打印设备使用情况案例：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def session_demo():
    a = tf.constant(100, name="a_t")
    b = tf.constant(200, name="b_t")
    c = tf.add(a, b, name="c_t")

    with tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(allow_soft_placement=True,
                                                    log_device_placement=True)) as sess:
        # c_t = sess.run(c)
        print("default_g attr: ", tf.compat.v1.get_default_graph())
        print("c_t: ", c.eval())
        print("c graph attr: ", c.graph)
        tf.compat.v1.summary.FileWriter("./temp/sunmmary", graph=sess.graph)

if __name__ == '__main__':
    session_demo()

（2）会话的run()

run(fetches, feed_dict=None, options=None, run_metadata=None)

• 通过使用 sess.run()方法来运行 operation
• fetches：单一的operation，或者列表、元组（其他不属于tensorflow的类型不行）
• feed_dict：参数允许调用者覆盖途中张量的值，运行时赋值
  • feed_dict传递的是字典类型
  • ​​​​​​​​​​​​​​与 tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容 
  • feed_dict不能单独使用，必须和tf.placeholder搭配使用

featches使用列表案例：

def session_list():
    a = tf.constant(100)
    b = tf.constant(200)
    c = tf.add(a, b)

    with tf.compat.v1.Session() as sess:
        list = sess.run([a, b, c])
        print("list: ", list)

if __name__ == '__main__':
    session_list()

 feed_dict使用案例：

def feed_demo():
    #placeholder就是在不知道具体值的情况下，先定义出来，用于占位
    a = tf.compat.v1.placeholder(tf.float32)
    b = tf.compat.v1.placeholder(tf.float32)
    sum_ab = tf.add(a, b)

    with tf.compat.v1.Session() as sess:
        print("占位符的结果是：", sess.run(sum_ab, feed_dict={a: 3.33, b: 4.44}))
    return None

if __name__ == '__main__':
    feed_demo()