session-＞Run问题解决方案

于 2024-12-09 16:11:51 发布
阅读量258 收藏 4
点赞数 9
文章标签： 内存泄露 跨平台编译
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/pingchangxin_6/article/details/144350557
版权

接上一篇博客

session-＞Run时遇到的问题-优快云博客

把我的代码和别人的代码对比了一下，发现了些许的不同。

我是在推理的时候遇到了问题，可能问题的解决办法并不在推理处。

而是应该思考是不是在前一部分，建立会话的时候的时候出现了问题。

左边是我的代码，右边是别人的代码

---------------------------------------

至此，问题解决

20241209

-----------------------------------------------------------------

Mike_666
关注
解决Error starting ApplicationContext.To display the conditions report re-run your application xxx的问题
念兮为美
08-05 13万+
今天在项目启动类中，加上这行代码`@MapperScan("com.**.mapper")`后，报出了如是错误：Error starting ApplicationContext. To display the conditions report re-run your application with 'debug' enabled.解决这个错误之后，又列举了这种错误的其他解决方式。......
【深度学习框架】Tensorflow Session.run()函数的进一步理解
TomRen
09-29 2万+
Tensorflow: tf.Session.run(fetches, feed_dict=None, options=None, run_metadata=None) ----->run options and evaluated tensors in fetches,based feed_dict<-----
sess.run()详解
Jq的博客
01-26 1万+
TensorFlow与我们正常的编程思维略有不同： 先预定义一些操作/占位符构建graph，所有的操作op和变量都视为节点,TensorFlow中的语句不会立即执行； 当构建完graph图后，需要在一个session会话中启动图，启动的第一步是创建一个Session对象。 等到开启会话session的时候，才会执行session.run()中的语句。在执行session.run()时，tensorflow并不是计算了整个图，只是计算了与想要fetch的值相关的部分。 创建session对象 tf.com
c++使用onnxruntime时session-＞Run出现的问题
qq_43925015的博客
03-07 4182
在搜索后，看到一个也是session->Run出问题的案例。虽然具体情况和我的不太一样，但姑且试用了对应的方法：尝试将 Ort::Env 变量设为静态。可能在session->Run时还会读取调用建立session时的env的信息？在程序开始加载模型建立会话时，会先用假数据进行一次session->Run，这时候是能正常运行的。在c++程序中要引入onnxruntime进行onnx的模型推理，出现了一个问题。一旦跨函数了就不可以。但是在程序运行中，调用session->Run时，则会报错。
会话接口session（），run（）的使用
qq_42612717的博客
05-26 1407
Session()方法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
session-＞Run时遇到的问题
Mike
12-06 852
第2个相似问题的解决办法是，在程序的exe同文件夹下，放入1.8.0版本以下的directml.dll文件，但是我搜了一下，没找到1.8.0版本以下的directml.dll文件，就在这个路径下，下载了第一个directml.dll文件放在了程序exe的同文件夹下，这个时候，不报第一种错误了，报了第二种错误。一、可以直接运行这个程序中的tflite模型，但onnx模型的错误直接跳过，在控制台的输出是下面的错误代码，但可以运行整个程序，除了onnx模型。记录问题，分析问题的解决方向，尝试解决问题。
session.run()是非常耗时的,千万不要用session.run的方式去取数据
lujiandong1的专栏
12-06 2万+
1、修改某一程序的时候,使用了session去取数据,导致时间效率非常低。后来,对session.run()进行了测试,发现使用session读取数据的效率是非常低下的. # -*- coding: utf-8 -*- import tensorflow as tf import time t1 = time.time() x = tf.Variable([1.0]) b =1.0 start
大数据-案例-离线数仓-电商：【MySQL(业务)-ETL(Kettle)】+【前端JS埋点-＞日志-＞Flume-＞HDFS-＞ETL(SparkRDD)】-＞Hive数仓-＞MySQL-＞可视化
u013250861的博客
01-30 2633
大数据-BI案例（二）-电商：数据仓库+OLAP【MySQL-ETL(Kettle)-＞ Hive（ODS层-数据清洗-＞DW层（DWD-统计分析-＞DWS））-导出结果-＞MySQL】-＞ 可视化
spring-session-issue:Spring-Session 的问题
06-13
标题 "spring-session-issue:Spring-Session 的...为了深入理解并解决“Spring会议问题”，我们需要查看具体的代码、日志和错误信息，以确定问题的具体原因，并根据Spring Session的文档和社区资源找到相应的解决方案。
`＜artifactId＞spring-session-core＜/artifactId＞` 是Spring Session库的核心组件，它允许Spring Boot应用程序持久化会话状态到不同的存储
BLOG域名:programb.blog.youkuaiyun.com
05-07 1267
使用Redis时，可能需要额外配置和管理Redis服务器，以及选择合适的Java客户端库，比如jedis或Spring Data Redis。是Spring Session库的核心组件，它允许Spring Boot应用程序持久化会话状态到不同的存储解决方案，如Redis（如你在引用[1]中看到的172.17.18.133:6379上的。微服务理念崇尚每个微服务作为一个产品看待，有自己的团队开发，甚至可以有自己完全不同的技术、框架，那么与其他微服务团队的技术共享就产生了矛盾，重复开发的工作即产生了。
spring-session-tomcat
05-15
总结来说，Spring Session为Java Web开发提供了一种优雅的Session管理解决方案，特别是在分布式环境中的应用。结合Tomcat，我们可以轻松地在多服务器环境中实现Session共享，提高系统的健壮性和用户体验。通过以上的...
Tf session 会话分析
06-13
TF session 代码运行流程分析
Session::Run()流程图 （单机版）
slamer的专栏
08-25 1642
Session机制详解
weixin_41873806的博客
08-25 152
虽然session机制在web应用程序中被采用已经很长时间了，但是仍然有很多人不清楚session机制的本质，以至不能正确的应用这一技术。本文将详细讨论session的工作机制并且对在Java web application中应用session机制时常见的问题作出解答。 一、术语session      在我的经验里，session这个词被滥用的程度大概仅次于transaction，更加有趣的是...
tensorflow学习笔记（十）：sess.run()
热门推荐
Keith
10-24 13万+
session.run()session.run([fetch1, fetch2])import tensorflow as tf state = tf.Variable(0.0,dtype=tf.float32) one = tf.constant(1.0,dtype=tf.float32) new_val = tf.add(state, one) update = tf.assign(state
tensorflow源码分析（五）session.run()
hobertony_7的专栏
12-14 4583
      接下里分析session.run()接口，执行一次run就执行了一遍数据流图，在tensorflow代码中通常在一个循环中调用run接口，一次run就是训练过程中的一步： 1）session.run() 客户端通过该接口执行一步训练 2）BaseSession.Run（）fetches参数可以是单个元素，或者是一个列表，一个字典，一个元组，都是可以的，但是要有个前提，最...
[图解tensorflow源码] Session::Run()流程图 （单机版）
binbigdata的博客
07-03 1003
title: Session::Run()流程图 （单机版） tags: 深度学习/tensorflow
tensorflow学习笔记初级--Session().run
tortelee的博客
06-20 2808
def run(self, fetches, feed_dict=None, options=None, run_metadata=None): """Runs operations and evaluates tensors in `fetches`. This method runs one "step" of TensorFlow computation, by ...
[Tensorflow] Session.run、model保存saver和optimizer优化器
vcvycy的专栏
11-10 2920
一、Session.run()tf.Session.run(fetches, #一个tensor或tensor list feed_dict=None, options=None, run_metadata=None) #Runs operations and evaluates tensors in fetches. 二、VARIABLES save and restore ...
--------------------------------------------------------------------------- AttributeError Traceback (most recent call last) <ipython-input-19-742486b58383> in <module> ----> 1 print("result = " + str(linear_function())) <ipython-input-18-8de87be81ab5> in linear_function() 22 23 #创建一个session并运行它 ---> 24 with tf.Session as sess: 25 result = sess.run(Y) 26 return result#测试linear_function AttributeError: __enter__
最新发布
04-24
### 解决 TensorFlow `linear_function` 中的 `AttributeError: __enter__` 错误 当尝试使用 TensorFlow 的会话管理器（`tf.Session()`）时，如果遇到类似于 `AttributeError: __enter__` 的错误，通常是因为版本兼容性问题引起的。自 TensorFlow 2.x 版本起，默认情况下不再支持显式的 `Session` API，而是推荐使用 Eager Execution 模式[^1]。 以下是针对该问题的具体分析和解决方案： --- #### 1. **错误原因** 在 TensorFlow 2.x 中，`tf.Session` 已经被废弃，取而代之的是基于 Keras 或者其他高层接口的设计模式。如果你仍然希望使用 `Session`，则需要显式启用 TensorFlow 1.x 行为，这可以通过加载 `tensorflow.compat.v1` 并禁用 v2 行为来实现[^1]。 例如，在 TensorFlow 2.x 下直接调用 `with tf.Session() as sess:` 将引发 `AttributeError: __enter__` 错误，因为默认情况下不存在 `Session` 对象的支持。 --- #### 2. **修正方法** ##### 方法一：切换至 TensorFlow 1.x 兼容模式 为了继续使用 `Session`，可以按照以下方式进行配置： ```python import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # 定义线性函数逻辑 def linear_function(): # 设置随机种子以便结果可重复 np.random.seed(42) # 初始化权重矩阵 W (形状为 [4, 3]) W = tf.Variable(np.random.rand(4, 3).astype(np.float32)) # 初始化输入特征向量 X (形状为 [3, 1]) X = tf.Variable(np.random.rand(3, 1).astype(np.float32)) # 初始化偏置向量 b (形状为 [4, 1]) b = tf.Variable(tf.zeros([4, 1], dtype=tf.float32)) # 创建全局变量初始化操作 init_op = tf.global_variables_initializer() # 计算 Y = WX + b Y = tf.matmul(W, X) + b # 使用 Session 运行图 with tf.Session() as sess: sess.run(init_op) result = sess.run(Y) return result result = linear_function() print(result) ``` 在此代码片段中，通过引入 `tensorflow.compat.v1` 并禁用了 TensorFlow 2.x 默认行为，从而恢复了对 `Session` 的支持[^1]。 --- ##### 方法二：采用 TensorFlow 2.x 风格重写 另一种更为现代的方式是完全移除对 `Session` 的依赖，转而利用 TensorFlow 2.x 提供的功能特性。这种方式更加简洁高效，并且无需额外处理版本差异： ```python import tensorflow as tf import numpy as np # 定义线性函数逻辑 def linear_function(): # 设置随机种子以便结果可重复 np.random.seed(42) # 初始化权重矩阵 W (形状为 [4, 3]) W = tf.constant(np.random.rand(4, 3), dtype=tf.float32) # 初始化输入特征向量 X (形状为 [3, 1]) X = tf.constant(np.random.rand(3, 1), dtype=tf.float32) # 初始化偏置向量 b (形状为 [4, 1]) b = tf.zeros([4, 1], dtype=tf.float32) # 计算 Y = WX + b Y = tf.matmul(W, X) + b return Y.numpy() result = linear_function() print(result) ``` 在这个例子中，所有的张量都被定义为常量或立即执行的操作，因此不需要任何显式的会话管理[^1]。 --- #### 3. **总结** 对于 TensorFlow 2.x 用户来说，建议优先考虑第二种方案，因为它充分利用了框架的新特性和简化设计。然而，如果项目需求强制要求保留旧版风格，则可以选择第一种方法作为过渡手段。 ---
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