快速理解tf.Session()

最新推荐文章于 2022-10-12 14:40:50 发布
转载 最新推荐文章于 2022-10-12 14:40:50 发布 · 819 阅读 · 3

本文介绍如何在TensorFlow中使用Session来控制和执行计算图。通过创建矩阵和使用tf.matmul进行矩阵乘法，演示了两种使用Session的方法：直接初始化Session并调用run()方法，以及使用with语句自动管理Session的生命周期。
部署运行你感兴趣的模型镜像

Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.

 

import tensorflow as tf
 
# create two matrixes
 
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
                       [2]])
product = tf.matmul(matrix1,matrix2)
因为 product 不是直接计算的步骤, 所以我们会要使用 Session 来激活 product 并得到计算结果. 有两种形式使用会话控制 Session 。

 

# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()
# method 2
with tf.Session() as sess: 
result2 = sess.run(product) 
print(result2)

 

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

tf第四讲：tf中的循环tf.while_loop，条件tf.cond，比较、数学运算、类型转换
weixin_43178406的博客
08-21 1万+
本文主要介绍了tf第四讲：tf中的循环tf.while_loop，条件tf.cond，比较、数学运算、类型转换，希望能对学习TensorFlow的同学有所帮助。 文章目录 1. tensorflow中的比较函数与类型转换 2. tensorflow中的数学运算 2.1 常用数学运算 2.2 更改tensor的shape 2.3 矩阵数学函数 2.4 reduce相关函数 3. tensorflow如何使用条件句:tf.cond 4. tf中如何使用循环
tf第十讲：TFRecord(tf.train.Example&tf.train.SequenceExample)
weixin_43178406的博客
12-11 1万+
本文主要介绍了tf第十讲：TFRecord(tf.train.Example&tf.train.SequenceExample)，希望能对学习TensorFlow的同学有所帮助。 本文讲述了tf中TFRecord的使用，TFRecord是一种二进制数据格式，使用该格式的数据可以有效缓解大数据下加载全量数据导致的memory error问题。
tf.Session()的理解与代码使用细节
welovepan的博客
05-24 3328
tf.Session()是Tensorflow中控制输出内容的一个api。通过运行session.run()可以获得你要得知的运算结果,将运算结果作为可视化变量进行显示。
tf里面InteractivateSession()与Session()的区别
步步拾遗
09-18 1115
sd
Tf session 会话分析
06-13
TF session 代码运行流程分析
Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现
09-17
主要介绍了Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
tf第九讲：tensorboard可视化之tf.summary
weixin_43178406的博客
03-11 2万+
本文主要讲解了如何利用tensorboard对tf进行可视化，保存训练过程中产生的日志，并对日志进行可视化。通过loss、accuracy的可视化可以进一步判断模型的训练效果
tf第七讲：模型保存与加载（tf.train.Saver()&tf.saved_model）及fine_tune(梯度冻结)
weixin_43178406的博客
03-10 2万+
本文主要介绍了tf第七讲：模型保存与加载（tf.train.Saver()&tf.saved_model）及fine_tune(梯度冻结)，希望能对学习TensorFlow的同学有所帮助。 本文讲解了tf中模型保存和加载的方法，方法共两种。一种为tf.train.Saver，一种为tf.saved_model。两种方法均详细讲解了如何保存，如何加载，并附有完整的代码实战。
Tensorflow 2.x(keras)源码详解之第九章：模型训练和预测的三种方法(fit&tf.GradientTape&train_step&tf.data)
热门推荐
weixin_43178406的博客
05-16 6万+
文章目录1. 模型训练和预测步骤2. 使用内置方法fit进行训练和评估2.1 简单案例解析2.2 compile编译2.3 处理非标准化的损失和评估指标：add_loss&add_metric2.4 自动切分验证集2.5 使用tf.data数据进行训练2.6 使用tf.keras.utils.Sequence数据进行训练2.7 多输出，指定不同的损失函数和评估指标2.8 样本不均衡：类权重和样本权重2.9 使用回调(callbacks)2.10 学习率衰减3. 从头开始编写循环训练3.1 fit源码
Tensorflow框架 -- tf.Graph()、tf.Session()、tf.GraphKeys()
DAOCHI
05-15 1135
tf.Graph 下图是tensorflow大概的执行过程，分为数据端+静态图+执行。 在Tensorflow框架中，用计算图来构建网络，用会话来具体执行网络。深入理解了这两点，我想，对于Tensorflow的设计思路，以及运行机制，也就略知一二了。 图（tf.Graph）：计算图，主要用于构建网络，本身不进行任何实际的计算。计算图的设计启发是高等数学里面的链式求导法则的图。我们可以将计算图理解为是一个计算模板或者计划书。 会话（tf.session）：会话，主要用于执行网络。所有关于神经网络的计算都在这里
tf.Session()用法
qq_36201400的博客
09-01 2万+
tf.Session：创建一个新的TensorFlow会话。 tf.Session(self, target='', graph=None, config=None) 如果在构造会话时未指定`graph`参数，则默认图将在会话中启动。 如果在同一过程中使用多个图（通过tf.Graph（）创建），则每个图必须使用不同的会话，但是每个图可以在多个会话中使用。 在这种情况下，将要显式启动的图传递给会话构造函数通常更为清晰。 Args: target：（可选）要连接的执行引擎。 默认为使用进程内引擎。 .
tf.Session
weixin_36670529的博客
10-12 5037
目录 一、概述 二、函数列表 1、__init__ 2、__enter__ 3、__exit__ 4、as_default 5、close 6、list_devices 7、make_callable 8、partial_run 9、partial_run_setup 10、reset 11、run 一、概述 一个运行TensorFlow操作的类。会话对象封装了执行操...
TensorFlow学习笔记（三）：会话（session）
yjk13703623757的博客
08-28 4138
在TensorFlow中，有两种用于运行graph的简单session： tf.Session( ) tf.InteractivesSession( ) 1. tf.Session( )要使用tf，我们必须先构建（定义）graph，之后才能运行graph。1.1 非交互式会话中的例子import tensorflow as tf# 构建graph a = tf.add(3, 5) # 运行gra
tensorflow —— tf.Session()
Rainbow
12-28 4119
tf.Session() 在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。 session用于执行命令，对话控制。sess.run()用于执行某一个小图片上的功能。 sess.run() feed_dict 给使...
Tensorflow中with tf.Session() as sess用法详解
wwwlyj123321的博客
01-08 4万+
Session提供了Operation执行和Tensor求值的环境。如下面所示， import tensorflow as tf # Build a graph. a = tf.constant([1.0, 2.0]) b = tf.constant([3.0, 4.0]) c = a * b # Launch the graph in a session. sess = tf.Sessi...
TensorFlow 学习（二）—— tf.Graph、tf.Session() 与 tf.Session().run()
03-13 2万+
1. 使用 tf.Session().run() 读取变量的值十分耗时
神经网络学习3--Session 会话控制
二毛的博客
07-09 2483
Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分. 首先，我们这次需要加载 Tensorflow ，然后建立两个 matrix ,输出两个 matrix 矩阵相乘的结果。 import tensorflow as tf # create two matrixes matr...
任务描述 本关任务：本关将结合此前各个关卡，正式训练并保存一个网络，并能够随时加载这个模型对位置数据集进行预测。 相关知识 为了完成本关任务，你需要掌握： 1.如何训练一个网络； 2.如何保存一个网络； 3.如何加载复用一个网络。 如何训练一个网络 训练一个TensorFlow搭建的神经网络，只需要调用tf.Session().run()，需要run的算符就是在网络中定义的train算符；另外如果在模型的搭建过程中，存在placeholder，则需要通过run()的参数feed_dict传入这些placeholder的值，传入的参数是以字典的形式，然后字典的key是搭建过程中placeholder对应的变量名，value就是对应的需要传入的值。 示例如下： BNTraining = tf.placeholder(tf.bool, name='BNTraining') keeProb = tf.placeholder(tf.float32, shape=(), name='dropout_keep_prob') batchImgInput = tf.placeholder(tf.float32, shape=(None, img_size, img_size, n_channels), name='batchImgInput') labels = tf.placeholder(tf.float32, shape=(None, label_size), name='Labels') # .....（此处省略中间网络结构） # 定义网络的损失和优化方案 loss = tf.reduce_mean(tf.cast(tf.nn.softmax_cross_entropy_with_logits_v2(logits=dense2, labels=labels), dtype=tf.float32)) train = tf.train.AdamOptimizer().minimize(loss) with tf.Session() as sess: #特别重要的两行，一定不要掉了 init = tf.global_variables_initializer() sess.run(init) #run train 算符调整网络参数，即完成一个batch的训练 _, cur_loss=sess.run([train, loss],feed_dict={batchImgInput: X, labels: Y, keeProb: keep_prob_train, BNTraining: True}) 如何保存一个网络 调用tf.train.Saver()来完成网络的保存，使用方法非常简单，两行代码即可。 示例如下： # 与session同样的级别定义一个saver。 saver = tf.train.Saver() # 在需要保存模型的时候使用save(),必须传入的参数是session对象和保存的路径。 saver.save(sess, "Model/ResNet") 这里还需要特别提醒一些东西~ 1.Saver()的一些参数 常用的参数： var_list：定义需要保存的变量，如果None的话是默认保存所有可保存的变量，API的用词是If None, defaults to the list of all saveable objects.，所以不管是不是trainable variable都会被保存下来，并不需要设定var_list=tf.global_variables()，因为看到网上很多人这么写，尤其是在提到用tf.layers.batch_normalization()的时候，所以我提一下。如果错了的话，也请大家提醒一下我。 max_to_keep：保存最近的几个网络，如果你隔一段时间就保存一次，训练时间长的话，肯定就会保存特别多的网络，这是没有必要的，这个参数默认是5，只保留最近的五个。 keep_checkpoint_every_n_hours：从时间的角度出发，多久保存一次模型，默认是10,000小时。 还有一些参数，大家有兴趣了解可以去看官方 API。 2.Save()的一些参数 其实主要就一个参数global_step，可以标记保存的是第几次被保存的。这个直接看官方示例，非常简单易懂： saver.save(sess, 'my-model', global_step=0) ==> filename: 'my-model-0' ... saver.save(sess, 'my-model', global_step=1000) ==> filename: 'my-model-1000' 3.保存模型后输出的文件 save()之后，设定的文件夹下，将会出现四个文件，如下： |Model | |--checkpoint | |--Model.meta | |--Model.data-00000-of-00001 | |--Model.index checkpoint文件是个文本文件，可以直接打开看，示例如下： model_checkpoint_path: "ResNet" all_model_checkpoint_paths: "ResNet" 它定义了模型保存的路径。 meta定义了模型的图结构，我们知道TensorFLow的模型叫做一个Graph，里面有很多的算符operator，那么这个meta文件就保存了这张图的结构，可以理解为模型的结构。 index和data保存了模型的所有的变量和对应的数值，方便后续加载使用。 如何加载复用一个网络 如果我们只保存最优的一个网络，加载该模型只需要两行代码。 saver = tf.train.import_meta_graph('Model/ResNet.meta') saver.restore(sess,tf.train.latest_checkpoint('Model')) 第一步，调用tf.train.import_meta_graph()，加载网络结构，第二步，调用restore()加载变量的值。 接下来对于需要调用的变量需要先找到它们（使用函数get_tensor_by_name()，参数由两部分组成，冒号前是算符的名字，冒号后是算符的输出张量的序号，有的图结构中，一个算符可能会输出不止一次张量，本次实训不涉及，大家都填0就行），然后使用它，placeholder也是如此，先找到，然后使用feed_dict的形式传入你想要的值后，调用session.run()，示例如下： # 四个placeholder saver = tf.train.import_meta_graph('Model/ResNet.meta') saver.restore(sess, tf.train.latest_checkpoint('Model')) # 调用tf.get_default_graph()获取当前进程的图，前面两行代码已经加载了图了。 graph = tf.get_default_graph() batchImgInput = graph.get_tensor_by_name("batchImgInput:0") labels = graph.get_tensor_by_name("Labels:0") keeProb = graph.get_tensor_by_name("dropout_keep_prob:0") BNTraining = graph.get_tensor_by_name("BNTraining:0") # 最后输出算符 out = graph.get_tensor_by_name("model_outputs/BiasAdd:0") # 构造feed_dict feed_dict = {batchImgInput: X_v, labels: Y_v, keeProb: 1., BNTraining : False} # sess.run() output = sess.run(out, feed_dict=feed_dict) 这里如果在模型的搭建阶段没有好好命名的话，很有可能这个时候已经不知道算符节点的名字了，那么大家可以这样查看节点名称。 for op in graph.get_operations(): print(op.name) 这样可以打印所有算符节点的名字，然后大家可以搜索一下关键字，找一找。 编程要求 在右侧编辑器补充代码，训练得到你想要的模型，并保存到指定的路径。 测试说明 平台会对你编写的代码进行测试： 本关只允许你训练1分钟，所以请自行设置合适的batchSize和epoch，以及合适的网络结构。，平台会计算你训练好的模型在该图片集上的准确率，**如果高于给定的阈值35%**，则说明你的模型训练时在往正确的方向上逐渐收敛，平台将判定为通过本关。 开始你的任务吧，祝你成功！ import os os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' import warnings warnings.filterwarnings('ignore') import tensorflow as tf import sys sys.path.append('step3') sys.path.append('step9') from generatorCompleted import batchGenerator from outputsUtilsCompleted import softmax, returnOneHot, computeAccuracy from prevModules import (Inception_traditional, Inception_parallelAsymmetricConv, Inception_AsymmetricConv,InitialPart,reduction,ResNetBlock) #********** Begin **********# # 任意发挥，完成模型并训练，保存模型PATH为: 'step10/Model/FinalNet' # 可选placeholder以及要求name参数值: # 输入X: batchImgInput / 输入Y: Labels / dropout保存概率: dropout_keep_prob # batchNorm层training: BNTraining / 前文所述ResNet实现中批数据数量: InputBatchSize #********** End **********#
最新发布
11-28
with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 创建数据生成器 train_generator = batchGenerator(batch_size, is_train=True) steps_per_epoch = train_generator.num_samples ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值