tensorflow中的Graph（图）和Session（会话）的关系

最新推荐文章于 2022-03-24 20:41:37 发布

晚安丶

最新推荐文章于 2022-03-24 20:41:37 发布

阅读量1k

点赞数 5

分类专栏：机器学习/深度学习

原文链接：https://www.jianshu.com/p/b636de7c251a

版权

机器学习/深度学习专栏收录该内容

12 篇文章 5 订阅

订阅专栏

作者：马尔代夫Maldives
链接：https://www.jianshu.com/p/b636de7c251a
来源：简书

基础知识

TensorFlow是一种“符号式编程框架”，首先要构造一个图（graph），然后在会话（Session）上根据这个图做真实的运算（op）。打个比方，graph就像多条生产线，session就像生产者。生产线具有一系列的加工步骤（加减乘除等运算），生产者把原料投进去，就能得到产品。不同生产者都可以使用这条生产线，只要他们的加工步骤是一样的就行。同样的，一个graph可以供多个session使用，而一个session不一定需要使用graph的全部，可以只使用其中的一部分。

graph即tf.Graph()，session即tf.Session()，是两个完全独立的概念。

graph定义了计算方式，是一些加减乘除等运算的组合。它本身不会进行任何计算，也不保存任何中间计算结果。
session用来运行一个graph，或者运行graph的一部分。它类似于一个执行者，给graph灌入输入数据，得到输出，并保存中间的计算结果。同时它也给graph分配计算资源（如内存、显卡等）。

下图是用tensorflow制作大盘鸡和红烧肉的过程，以此为例来说明graph和session的区别：
左图中绿色矩形为数据，黄色圆圈为中间结果，红色圆圈为最终结果，这是一个完整的制作大盘鸡和红烧肉的graph（相当于是一个菜谱），图中每一个独立单元都可以看成是一个op（操作，包括数据）。在tensorflow中只有graph是没法得到结果的，这就像只有菜谱不可能得到红烧肉是一个道理。于是就有了tf.Session(），他根据graph制定的步骤，将graph变成现实。
tf.Session(）就相当于一个厨师长，他下面有很多办事的人（Session()下的各种方法），其中有一个非常厉害厨师叫tf.Session.run()，他不仅会烧菜，还会杀猪、酿酒、制作酱料等一系列工作，比如：
我的酱料 = sess.run(酱料)：run收到制作“酱料”的命令，于是他看了下graph，需要“酵母”和“大豆”来制作酱料，最终他把酱料制作好了（这里酵母和大豆是graph定义好的，但也可以根据自己的喜好来换）。
我的料酒 = sess.run(料酒，feed_dic={米:泰国籼米})：run又收到要制作“料酒”的命令，而且不用graph规定的“米”来做，需要用“泰国籼米”，没关系，run跑去买了泰国籼米，又把料酒给做了。
我的红烧肉 = sess.run(红烧肉)：傍晚，run又收到了做一份完整红烧肉的命令，这下他有的忙了，必须将整个流程走一遍，才能完成个任务。
我的大盘鸡 = sess.run(大盘鸡): 后来，run又收到做大盘鸡的任务，这是一个独立的任务，跟红烧肉没有半点关系，但不影响，他只要按照步骤照做就可以了。

关于Graph

定义一个图：graph

#定义一个graph
g = tf.Graph() 
#默认在g中定义下面op
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)

上面就定义了一个graph。tensorflow会默认给我们建立一个graph，所以g = tf.Graph()这句其实是可以省略的。上面的graph包含3个操作（即op），但凡是op，都需要通过session运行之后，才能得到结果。如果你直接执行print(a)，那么输出结果是：Tensor("a:0", shape=(), dtype=int32)。执行print(tf.Session().run(a))或with方法，才能得到2。可见，在tensorflow中，即使是最基本的对象Tensor（张量）也需要在Session中才能得到其值，而不能企图通过python一样的方式直接得到其结果。

定义多个图：多个graph

你可以定义多个graph，例如一个graph实现z = x + y，另一个graph实现u = 2 * v

g1 = tf.Graph() #定义一个graph
g2 = tf.Graph() #定义另一个graph
with g1.as_default(): #在指定graph中定义op
    x = tf.constant(2)
    y = tf.constant(3)
    z = tf.add(x, y)
with g2.as_default(): #在指定graph中定义op
    v = tf.constant(4)
    u = tf.mul(2, v)

上述代码定义了两个graph并分别在其中定义了不同的op，但通常不建议这么做，原因如下：

运行多个graph需要多个session，而每个session会试图耗尽所有的计算资源，开销太大；
graph之间没有数据通道，要人为通过python/numpy传数据。

事实上，我们可以把所有的op都定义在一个graph中：

# 没有显示定义graph，系统自动提供一个默认的graph
# 并在其中定义下面op
x = tf.constant(2)
y = tf.constant(3)
z = tf.add(x, y)
v = tf.constant(4)
u = tf.mul(2, v)

从上面graph的定义可以看到，x/y/z是一波，u/v是另一波，二者没有任何交集。这相当于在一个graph里有两个独立的subgraph。当你要计算z = x + y时，执行tf.Session().run(z)；当你想计算u = 2 * v，就执行tf.Session().run(u)，二者完全独立。但更重要的是，二者在同一个session上运行，系统会均衡地给两个subgraph分配合适的计算资源。

我们可以把所有的op（op之间不一定相互有联系，如上图中的红烧肉和大盘鸡，两者完全独立）都定义在同一个graph上，Session在执行某个op时，只执行跟该op有关联的其他op，与其不想关的op是不会被执行的。

关于Session（待完善）

所有的节点计算都在session中完成，tf.Session()是一个大类，使用最多的方法是tf.Session.run()（见：https://www.jianshu.com/writer#/notebooks/29416844/notes/50146577）
通常我们会显示地定义一个session来运行graph，通常采用with的方式（推荐），也可用其他方式：

# 以下在一个默认graph中定义了三个op
x = tf.constant(2)
y = tf.constant(3)
z = tf.add(x, y)

# 以下显示启动了一个Session并在其中执行z
with tf.Session() as sess:
    result = sess.run(z)
    print(result)

输出结果是5。

感谢文章：https://www.cnblogs.com/jiaxblog/p/9054051.html