快速理解tf.Session()

最新推荐文章于 2022-05-24 08:24:15 发布
最新推荐文章于 2022-05-24 08:24:15 发布
阅读量795 收藏 3
点赞数
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。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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)

 

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 会话分析
06-13
TF session 代码运行流程分析
tf.Session()的理解与代码使用细节
welovepan的博客
05-24 3289
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 1092
sd
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学习笔记（三）：会话（session）
yjk13703623757的博客
08-28 4113
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 4094
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...
tf.Session
佩韦的博客
12-20 1万+
tf.Session
神经网络学习3--Session 会话控制
二毛的博客
07-09 2452
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...
TensorFlow函数：tf.Session()和tf.Session().as_default()的区别
学而时习之的博客
09-09 1520
tf.Session()：创建一个会话 tf.Session().as_default()：创建一个默认会话 那么问题来了，会话和默认会话有什么区别呢？TensorFlow会自动生成一个默认的计算图，如果没有特殊指定，运算会自动加入这个计算图中。TensorFlow中的会话也有类似的机制，但是TensorFlow不会自动生成默认的会话，而是需要手动指定...
tf.Session().as_default的作用
ningyanggege的博客
02-17 1699
一  如图所示:没有使用as_default() 结果显示:b无法运行,因为session已经关闭; 二 使用as_default函数   即使跳出with范围,仍然可以使用sess会话;并没有结束上下文管理器...
python编程之with tf.Session() as sess:有什么用
信徒博客
12-06 1万+
疑惑 我经常在python代码中看到with tf.Session() as sess: 这个究竟有什么用处？ 解惑 Session提供了Operation执行和Tensor求值的环境; 由于回话接受以后需要手动关闭，不然变量没有办法释放； 以下方法可以不用手动关闭 使用with tf.Session()创建上下文（Context）来执行，当上下文退出时自动释放 如果没...
tf.InteractiveSession()与tf.Session()
我是一个菜鸟，虚心学习的菜鸟。
09-03 4万+
tf.InteractiveSession():它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。 tf.Session():需要在启动session之前构建整个计算图，然后启动该计算图。
查看TF树
最新发布
03-27
### 如何查看 TensorFlow 计算图或树结构 TensorFlow 提供了多种工具来帮助开发者可视化计算图以及调试程序。以下是几种常见的方法： #### 使用 TensorBoard 可视化计算图 TensorBoard 是 TensorFlow 的一个重要组件，用于监控和分析模型运行过程中的各种指标。通过 TensorBoard，可以直观地观察到整个计算图的结构。 为了使用 TensorBoard 来查看计算图，需要在代码中添加 `tf.summary.FileWriter` 并指定日志目录[^1]。例如： ```python import tensorflow as tf # 构建简单的计算图 a = tf.constant(5, name="input_a") b = tf.constant(3, name="input_b") c = tf.multiply(a, b, name="mul_c") with tf.Session() as sess: writer = tf.summary.FileWriter('./logs', sess.graph) # 将计算图写入日志文件 result = sess.run(c) writer.close() ``` 执行上述代码后，在命令行中启动 TensorBoard 即可查看图形化的计算图： ```bash tensorboard --logdir=./logs ``` 打开浏览器访问默认地址 `http://localhost:6006` 后即可看到完整的计算图展示[^2]。 #### 调试模式下的计算图显示 (tfdbg) 对于更复杂的场景或者需要深入理解张量流动的情况，可以启用 TensorFlow Debugger (`tfdbg`) 工具来进行交互式的调试[^3]。此工具允许用户暂停会话并逐步检查节点值及其依赖关系。 下面是一个基于 Iris 数据集的例子说明如何结合 `tfdbg` 和估算器一起工作： ```python from __future__ import absolute_import from __future__ import division from __future__ import print_function import argparse import sys import numpy as np import tensorflow as tf FLAGS = None def main(_): ... if __name__ == '__main__': parser = argparse.ArgumentParser() parser.add_argument('--debug', action='store_true') FLAGS, unparsed = parser.parse_known_args() tf.app.run(main=main, argv=[sys.argv[0]] + unparsed) ``` 如果设置了 `--debug` 参数，则会在每次迭代期间进入 CLI 界面让用户探索当前状态下的变量及操作细节[^4]。 #### 手动打印特定部分的信息 除了利用专门设计好的框架外，还可以直接提取某些层的数据流信息并通过标准输出等方式展现出来。比如当采用 Keras API 创建神经网络时，可以通过调用 `.summary()` 方法快速获取各层次间连接概况[^5]: ```python model = Sequential([ Dense(32, activation='relu', input_shape=(784,)), Dropout(0.5), Dense(10, activation='softmax'), ]) model.summary() ``` 以上介绍了三种主要途径去了解 TensorFlow 中涉及的各种树型数据结构形式——无论是整体架构还是局部特征都能得到清晰呈现！
评论
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