tensorflow训练时对session的设置

当我们需要启用GPU对模型进行训练的时候，常常需要使用到一下代码对session进行设置。

with tf.Graph().as_default():
    gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=args.gpu_memory_fraction)
    sess=tf.Session(config=tf.ConfigProto(gpu_options=gpu_options,log_device_placement=False))
    with sess.as_default():   

tf.graph

tensorflow的运算被表示为一个数据流图，其中包含运算结点（操作）和数据结点（数据对象）。在我们开始任务时，tensorflow会提供一个默认的graph，如果我们没有显式的定义一个graph，那么我们接下来的操作就会基于这个graph完成，一般会使用到as_default()函数和with关键字在代码块内完成对graph的操作。

tf.session

TensorFlow 使用 tf.Session 类来表示客户端程序（通常为 Python 程序，但也提供了其他语言的类似接口）与 C++ 运行时之间的连接。tf.Session 对象使我们能够访问本地机器中的设备和使用分布式 TensorFlow 运行时的远程设备。它还可缓存关于 tf.Graph 的信息，使我们能够多次高效地运行同一计算。
session可以通过函数进行参数设置，同时可以根据graph中的操作结点对数据结点进行运算。
使用as_default()函数和with关键字在代码块内完成对session的操作。
使用close()关闭session，有关该session的资源都会被释放。

tf.ConfigProto

此函数用于对session的参数设置，如文章开头的代码段所示。
tf.GPUOptions：
在构造tf.Session()时可通过tf.GPUOptions作为可选配置参数的一部分来显示地指定需要分配的显存比例。
per_process_gpu_memory_fraction指定了每个GPU进程中使用显存的上限，但它只能均匀地作用于所有GPU，无法对不同GPU设置不同的上限。
tf.ConfigProto参数如下：
log_device_placement=True : 是否打印设备分配日志
allow_soft_placement=True ： 如果你指定的设备不存在，允许TF自动分配设备
tf.ConfigProto(log_device_placement=True,allow_soft_placement=True)