Session对话
一、session的第一种模式：
import tensorflow as tf # 定义一个计算图 tens1 = tf.constant([1, 2, 3]) # 创建一个会话 sess = tf.Session() # 我们通过使用这个对话来实现计算图的计算 print(sess.run(tens1)) # 最后要关闭这个对话 sess.close()
需要明确调用 session.close()来关闭会话并且释放资源，当程序因为异常退出时，关闭会话函数可能就不会被执行从而导致资源的泄漏
升级一下代码：
import tensorflow as tf # 定义一个计算图 tens1 = tf.constant([1, 2, 3]) # 创建一个会话 sess = tf.Session() try: # 我们通过使用这个对话来实现计算图的计算 print(sess.run(tens1)) except: print("发生异常") finally: # 最后要关闭这个对话 sess.close()
二、Session的第二种模式
import tensorflow as tf # 一个简单的计算图 node1 = tf.constant(3.0, tf.float32, name="node1") node2 = tf.constant(4.0, tf.float32, name="node1") result = tf.add(node1, node2) # 创建一个会话，并通过python的上下文管理器来管理这个会话 with tf.Session() as sess: print(sess.run(result)) # 此时不需要调用sess.close()函数来结束会话 # 会话会随着上下文管理器的的关闭而自动释放
我们第二种模式是通过python的上下文管理器来创建管理这个会话session，此时是不需要手写来关闭这个session，因为它会随着上下文管理器的关闭而自动结束并且自动释放资源。
三、指定默认会话
import tensorflow as tf # 一个简单的计算图 node1 = tf.constant(3.0, tf.float32, name="node1") node2 = tf.constant(4.0, tf.float32, name="node1") result = tf.add(node1, node2) sess = tf.Session() # 指定默认会话 with sess.as_default(): print(result.eval()) sess = tf.Session() # 这样也是可以直接进行计算的 print(result.eval(session=sess))
tensorflow不会生成默认的会话，需要手动指定，当默认的会话指定之后，可通过eval()函数来计算一个张量的取值
四、交互式环境下设置默认会话
- 在交互式环境下，python脚本和jupter编辑器下，通过设置默认会话来获取张量的取值更加方便
- 使用 tf.InteractiveSession() 会自动将生成的会话注册为默认会话
import tensorflow as tf # 一个简单的计算图 node1 = tf.constant(3.0, tf.float32, name="node1") node2 = tf.constant(4.0, tf.float32, name="node1") result = tf.add(node1, node2) sess = tf.InteractiveSession() print(result.eval()) sess.close()
operation操作
这里给大家总结一下啥是操作，总的来说也就这几点啦：
• 计算图中的节点就是操作（Operation）
• 一次加法是一个操作，一次乘法也是一个操作
• 构建一些变量的初始值也是一个操作
• 每个运算操作都有属性，它在构建图的时候需要确定下来
• 操作可以和计算设备绑定，指定操作在某个设备上执行
• 操作之间存在顺序关系，这些操作之间的依赖就是“边”
• 如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B
