tensorflow中的Session方法解释

Session()方法

首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作。tensorflow的内核使用更加高效的C++作为后台，以支撑它的密集计算。tensorflow把前台(即python程序)与后台程序之间的连接称为"会话(Session)"。

Session作为会话，主要功能是指定操作对象的执行环境，Session类构造函数有3个可选参数。

• target(可选)：指定连接的执行引擎，多用于分布式场景。
• graph(可选)：指定要在Session对象中参与计算的图(graph)。
• config(可选)：辅助配置Session对象所需的参数(限制CPU或GPU使用数目，设置优化参数以及设置日志选项等)。

• tf.Session.run(fetches,feed-dict=Noe,options=Node,run_metadata=None)	运行fetches中的操作节点并求其
  tf.Session.close()	关闭会话
  tf.Session.graph	返回加载该会话的图()
  tf.Session.as_default()	设置该对象为默认会话,并返回一个上下文管理器

---

run()方法
Session对象创建完毕，便可以使用它最重要的方法run()来启动所需要的数据流图进行计算。

run()方法有4个参数：

  
  

    
    

     
     

    
    
    
    

     
     

      
      run(
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          fetches,
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          feed_dict=
      
      None
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          options=
      
      None,
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
          run_metadata=
      
      None
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      )
     
     
    
    
  
  

(1).fetches参数

• '取得之物'，表示数据流图中能接收的任意数据流图元素，各类Op/Tensor对象。Op,run()将返回None；Tensor,rnu()将返回Numpy数组。

  
  

    
    

     
     

    
    
    
    

     
     

      
      import tensorflow as tf
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      from collections import namedtuple
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      a = tf.constant([
      
      10, 
      
      20])
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      b = tf.constant([
      
      1.
      
      0, 
      
      2.
      
      0])
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      session = tf.Session()
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      v1 = session.run(a) #fetches参数为单个张量值，返回值为Numpy数组
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(v
      
      1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      v2 = session.run([a, b]) #fetches参数为python类表，包括两个numpy的
      
      1维矩阵
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(v
      
      2)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      v3 = session.run(tf.global_variables_initializer()) #fetches 为Op类型
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(v
      
      3)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      session.close()
     
     
    
    
  
  

  
  

    
    

     
     

    
    
    
    

     
     

      
      [
      
      10 
      
      20]
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      [
      
      array([
      
      10, 
      
      20], 
      
      dtype=int32), 
      
      array([ 
      
      1
      
      .,  
      
      2
      
      .], 
      
      dtype=float32)]
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      None
     
     
    
    
  
  

(2). feed_dict参数

• 可选项，给数据流图提供运行时数据。feed_dict的数据结构为python中的字典，其元素为各种键值对。"key"为各种Tensor对象的句柄；"value"很广泛，但必须和“键”的类型相匹配，或能转换为同一类型。

  
  

    
    

     
     

    
    
    
    

     
     

      
      import tensorflow as tf
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      a = tf.add(
      
      1, 
      
      2)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      b = tf.multiply(a, 
      
      2)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      session = tf.Session()
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      v1 = session.run(b)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(v
      
      1)
     
     
    
    

    
    

     
     

    
    
    
    

     
     
 
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      replace_dict = {a:
      
      20}
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      v2 = session.run(b, feed_dict = replace_dict)
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      print(v
      
      2)
     
     
    
    
  
  

  
  

    
    

     
     

    
    
    
    

     
     

      
      6
     
     
    
    

    
    

     
     

    
    
    
    

     
     

      
      40