TensorFlow之图、会话

图(graph)

tf.Graph：

TensorFlow计算，表示为数据流图。一个图包含一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象。默认Graph值始终注册，并可通过调用访问 tf.get_default_graph。

a = tf.constant(1.0)
assert c.graph is tf.get_default_graph()

我们可以发现这两个图是一样的。那么如何创建一个图呢，通过tf.Graph()

g1= tf.Graph()
g2= tf.Graph()

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    print(g1,g2,tf.get_default_graph())

 默认图总是被registered，可以通过调用tf.get_default_graph访问。要向默认图添加操作，只需调用被定义的函数即可:

import tensorflow as tf

a = tf.constant(4.0)

print(a.graph)                 # 得到a所在图对象的内存地址
print(tf.get_default_graph())  # 得到当前程序默认图对象的内存地址

assert a.graph == tf.get_default_graph()  # 断言语句
print('-------------')  # 该语句成功输出说明上面语句正确

 输出：

<tensorflow.python.framework.ops.Graph object at 0x000001DE26E9CA58>
<tensorflow.python.framework.ops.Graph object at 0x000001DE26E9CA58>
-----

 一个程序中多个Graph例子：

import tensorflow as tf

g1 = tf.Graph()
g2 = tf.Graph()
c0 = tf.constant(0.0)

with g1.as_default():                # 将g1设置为默认图然后再图中添加Operation
       c1 = tf.constant(1.0)
with tf.Graph().as_default() as g2:
       c2 = tf.constant(2.0)

with tf.Session() as sess:           # c0被添加在默认图中无需指明图参数
    assert c0.graph == tf.get_default_graph()
    print(sess.run(c0))              # 0.0

with tf.Session(graph=g1) as sess1:  
    assert c1.graph is g1
    print(sess1.run(c1))             # 1.0

with tf.Session(graph=g2) as sess2:
    assert c2.graph is g2
    print(sess2.run(c2))             # 2.0

 

会话(tf.Session())

 tf.Session()对象封装了执行Operation对象和计算Tensor对象的环境

a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b

sess = tf.Session()

print(sess.run(c))

在开启会话的时候指定图:

with tf.Session(graph=g) as sess:

资源释放

 会话可能拥有很多资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。在不再需要这些资源时，重要的是释放这些资源。要做到这一点，既可以调用tf.Session.close会话中的方法，也可以使用会话作为上下文管理器。以下两个例子是等效的：

# 使用close手动关闭
sess = tf.Session()
sess.run(...)
sess.close()

# 使用上下文管理器
with tf.Session() as sess:
  sess.run(...)

run方法介绍

run(fetches, feed_dict=None, options=None, run_metadata=None)

运行ops和计算tensor

• fetches 可以是单个图形元素，或任意嵌套列表，元组，namedtuple，dict或OrderedDict
• feed_dict 允许调用者覆盖图中指定张量的值

如果a,b是其它的类型，比如tensor，同样可以覆盖原先的值

a = tf.placeholder(tf.float32, shape=[])
b = tf.placeholder(tf.float32, shape=[])
c = tf.constant([1,2,3])

with tf.Session() as sess:
    a,b,c = sess.run([a,b,c],feed_dict={a: 1, b: 2,c:[4,5,6]})
    print(a,b,c)

常见错误：

• RuntimeError：如果它Session处于无效状态（例如已关闭）。
• TypeError：如果fetches或feed_dict键是不合适的类型。
• ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。