1. TensorFlow运行模型—会话
Session会话拥有并管理TensorFlow程序运行时的所有资源，当所有计算完成之后需要关闭会话帮助系统回收资源。
1. 会话模式1
sess=tf.Session()#创建会话
sess.run()#启动会话
sess.close()#关闭会话，释放资源
sess=tf.Session()
try:
sess.run()
except:
Print(“Exception”)
finally:
sess.close()
1. 指定默认的会话
sess=tf.Session()#创建会话
with sess as_default():
print(result.eval())
1. 交互环境下设置默认会话
tf.InteractiveSession使用这个函数会自动将生成的会话注册为默认会话
sess=tf.InteractiveSession()
print(result.eval())
sess.close()
常量与变量
常量constant
在运行过程中值不会改变的单元，在TensorFlow中无需进行初始化操作
创建语句：consrtant_name=tf.constant(value)
变量Variable
在运行过程中值会改变的单元,在TensorFlow中需进行初始化操作
Variable_name=tf.Variable(value,name)#V是大写
个别变量初始化：
init_op=name_variable.initializer()
sess.run(init_op)
所有变量初始化：
init_op=tf.global_variables_initializer()
sess.run(init_op)
变量赋值
TensorFlow中的变量定义后，一般无需人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值。特殊情况下需要人工更新，可用变量赋值语句，变量更新语句：
update_op=tf.assign(variable_to_be_update,new_value)
import tensorflow as tf#导入tensorflow模型
tf.reset_default_graph()#清楚默认图和不断增加的节点
#通过变量赋值输出1.2.3.……10
value=tf.Variable(0,name="value")
one=tf.constant(1)
new_value=tf.add(value,one)
update_value=tf.assign(value,new_value)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for _ in range(10):
sess.run(update_value)
print(sess.run(value))
logdir='D:/pycharm project/logs'
#生成一个写日志的writer，并将当前的tensorflow计算图写入日志
writer=tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()
思考：如何利用tensorflow变量赋值计算1+2+3……+10？
import tensorflow as tf#导入tensorflow模型
tf.reset_default_graph()#清楚默认图和不断增加的节点
#通过变量赋值输出1+2+3+……10
value=tf.Variable(0,name="value")
sums=tf.Variable(0,name="sums")
one=tf.constant(1)
new_value=tf.add(value,one)
update_value = tf.assign(value, new_value)
new_sum = tf.add(sums,value)
update_sum = tf.assign(sums,new_sum)
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for _ in range(10):
sess.run(update_value)
sess.run(update_sum)
print(sess.run(sums))
logdir='D:/pycharm project/logs'
#生成一个写日志的writer，并将当前的tensorflow计算图写入日志
writer=tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()占位符placeholder
TensorFlow中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才有外部输入，比如训练数据时，这个时候需要占位符。tf.placeholder占位符，是tensorflow中特有的一种数据结构，类似动态变量，函数的参数，或者c语言或者python语言中格式化输出时的“%”占位符。
tf.placeholder(dtype,shape=None,name=None)
x=tf.placeholder(tf.float32,[2,3],name=”x”)
Feed提交数据
如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过feed_dict参数传递进去，否则报错。
import tensorflow as tf
a=tf.placeholder(tf.float32,name="a")
b=tf.placeholder(tf.float32,name="b")
c=tf.multiply(a,b,name="c")
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
#通过feed_dict的参数传值，按字典格式
result=sess.run(c,feed_dict={a:8.0,b:3.5})
print(result)多个操作可以通过一次feed完成执行。
import tensorflow as tf
a=tf.placeholder(tf.float32,name="a")
b=tf.placeholder(tf.float32,name="b")
c=tf.multiply(a,b,name="c")
d=tf.multiply(a,b,name="d")
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
#通过feed_dict的参数传值，按字典格式
result=sess.run([c,d],feed_dict={a:[8.0,2.0,3.5],b:[1.5,2.0,4.0]})
print(result)
#取结果中第一个
print(result[0])1. feed和fetch
一次返回多个值分别赋给多个变量
import tensorflow as tf
a=tf.placeholder(tf.float32,name="a")
b=tf.placeholder(tf.float32,name="b")
c=tf.multiply(a,b,name="c")
d=tf.multiply(a,b,name="d")
init=tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
#通过feed_dict的参数传值，按字典格式
rc,rd=sess.run([c,d],feed_dict={a:[8.0,2.0,3.5],b:[1.5,2.0,4.0]})
print("c=",rc,"d=",rd)
