3、會話tf.Session()

---

 ①tf.Session()

運行TensorFlow操作圖的類，使用默認注冊的圖（可以指定運行圖）

import os  2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升

# 創建一張圖
g = tf.Graph()  6 
with g.as_default(): #作為默認圖
    c = tf.constant(11)  9     print(c.graph) 10 
a = tf.constant(2)   #定義一個常量
b = tf.constant(4) 13 sum = tf.add(a,b)    #加法操作
gr = tf.get_default_graph() 15 
#一個會話只能使用一張圖，默認是注冊圖,即圖gr
# with tf.Session() as sess: #上下文管理
# print(sess.run(sum)) #run運行加法op
# print(sess.run(c)) # (Tensor Tensor("Const:0", shape=(), dtype=int32) is not an element of this graph.)

#在會話中指定圖運行
with tf.Session(graph=g) as sess:  #上下文管理
    print(sess.run(c))

輸出：

<tensorflow.python.framework.ops.Graph object at 0x000002486656CD30>

11

---

 

②會話資源

會話擁有很多資源，如tf.Variable，tf.QueueBase和tf.ReaderBase等，會話結束后需要進行資源釋放

• 使用方法 

　　　1、sess = tf.Session()，sess.run()，sess.close()

　　　2、使用上下文管理器

　　　　　　with tf.Session() as sess:

　　　　　　　　sess.run()

 

tensorflow可以分為前端系統（定義程序的圖的結構）和后端系統（運算圖的結構，用cpu，gpu進行運算）

會話的功能：

• 運算圖的結構
• 分配資源計算
• 掌握資源（變量的資源，隊列，線程），所以一旦會話結束，所有的資源將不能再使用

---

 

③打印設備信息

config=tf.ConfigProto(log_device_placement=True)

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:  #上下文管理
    # print(sess.run(sum)) #run運行加法op
    print("a.graph:",a.graph)

輸出：

Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5

---

 

④交互式操作  tf.InteractiveSession()

在命令行進行測試時使用

 

只要有會話的上下文環境，就可以使用操作方便的eval（）

a = tf.constant(2)   #定義一個常量
b = tf.constant(4) 3 sum1 = tf.add(a,b)    #加法操作

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:  #上下文管理
    print(sess.run(sum1))   #run運行加法op
    print(sum1.eval())

輸出：

Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5 Add: (Add): /job:localhost/replica:0/task:0/device:GPU:0 Const: (Const): /job:localhost/replica:0/task:0/device:GPU:0 Const_1: (Const): /job:localhost/replica:0/task:0/device:GPU:0 6
6

---

 

⑤會話中的run方法

　　run(fetches, feed_ dict=None,graph=None)    運行ops和計算tensor

• 嵌套列表，元組。  namedtuple，dict或OrderedDict( 重載的運算符也能運行)
• feed_dict允許調用者覆蓋圖中指定張量的值,提供給placeholder使用
• 返回值異常

　　　　RuntimeError：如果它Session處於無效狀態(例如已關閉)。
　　　　TypeError：如果fetches或feed_ dict鍵是不 合適的類型。
　　　　ValueError：如果fetches或feed_ dict鍵 無效或引用Tensor不存在。

 （1）運行多個op

import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升
 a = tf.constant(2)   #定義一個常量
b = tf.constant(4) sum1 = tf.add(a,b)    #加法操作
 with tf.Session() as sess: #上下文管理
    print(sess.run(sum1))   #run運行加法op
    # print(sess.run(a,b,sum1)) #錯誤，這樣相當於將a，b和sum1當作三個參數
    print(sess.run([a,b,sum1])) #要將a，b和sum1當作一個整體，放進列表中或者元組中

輸出：

6
[2, 4, 6]

（2）重載運算符

•  兩個非tensor的量相加（不是op）不能使用run方法

1  var1 = 3.0
 var2 = 5.0
 sum2 = var1 + var2

 with tf.Session() as sess:  #上下文管理
     print(sess.run(sum2))   

輸出：

TypeError: Fetch argument 8.0 has invalid type <class 'float'>, must be a string or Tensor. (Can not convert a float into a Tensor or Operation.)

 

• 一個tensor和一個非tensor運算，非tensor會被重載為tensor

 import tensorflow as tf  2  import os  3  os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升

 a = tf.constant(2.0)   #定義一個常量
 b = tf.constant(4.0)  7  # sum1 = tf.add(a,b) #加法操作

 var1 = 3.0
 #默認會給運算符重載成op類型
 sum3 = a + var1  #a和var1的數據類型要匹配

 with tf.Session() as sess:  #上下文管理
     print(sess.run(sum3)) 15      print(a)  #直接打印是一個tensor Tensor("Const:0", shape=(), dtype=float32)
     print(var1) # 3.0
     print(sum3)  #Tensor("add:0", shape=(), dtype=float32)

輸出

5.0 Tensor("Const:0", shape=(), dtype=float32) 3.0 Tensor("add:0", shape=(), dtype=float32)

 （3）feed_dict參數，允許調用者覆蓋圖中指定張量的值，提供給placeholder使用

訓練模型時，不知道每批次有多少個樣本 ，即有些量不固定，我們需要實時的提供數據去進行訓練

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升

#placeholder是一個占位符，通常與feed_dict配合使用
plt1 = tf.placeholder(tf.float32,[2,3])

plt2 = tf.placeholder(tf.float32,[None,3]) #樣本數量不固定用None，Tensor("Placeholder_1:0", shape=(?, 3), dtype=float32)
print(plt2)

with tf.Session() as sess:  #上下文管理
    #相當於在運算的時候實時的提供數據進行訓練
    print(“plt1:\n”,sess.run(plt1,feed_dict={ plt1:[[1,2,3],[4,5,6]]})) #feed_dict是一個字典,key是變量，value是2x3的值
    print("plt2:\n",sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 6],[7,8,9]]}))#因為行數不固定，所以可接收任意行數的值

輸出：

Tensor("Placeholder_1:0", shape=(?, 3), dtype=float32)

plt1: [[1. 2. 3.] [4. 5. 6.]] plt2: [[1. 2. 3.] [4. 5. 6.] [7. 8. 9.]]

 

會話最重要的是run，作用是運行的圖的結構，即運行一些op，再得到結果

（4）TensorFlow Feed操作

意義：在程序執行的時候，不確定輸入的是什么，提前“占個坑”

語法：placeholder提供占位符，在會話中run的時候通過feed_dict指定參數

• placeholder(dtype, shape=None, name=None)

　　　　shape要用列表表示，默認是一個常量

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

例1：
 1 import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升

input1 = tf.placeholder(tf.float32,[2,1]) #[2,1] 2行1列
input2 = tf.placeholder(tf.float32) #默認是一個數
output = tf.add(input1,input2)
# placeholder 提供占位符，run的時候通過feed_dict指定參數

with tf.Session() as sess:
    result = sess.run(output,feed_dict={input1:[[10],[1]],input2:20})
    print(result)

 

輸出：

[[30.]
 [21.]]

---

 

 例2：
 1 import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，將警告級別提升

input1 = tf.placeholder(tf.float32,[2,2])
input2 = tf.placeholder(tf.float32,1)

sum = tf.add(input1,input2)

with tf.Session() as sess:
    result = sess.run(sum, feed_dict={input1:[[1,2],[3,4]],input2:[3]})
    print(result)

 輸出：

[[4. 5.]
 [6. 7.]]