TensorFlow 学习（二）—— tf Graph tf Session 与 tf Session run

最新推荐文章于 2024-01-14 11:26:46 发布

再干杨超越

最新推荐文章于 2024-01-14 11:26:46 发布

阅读量363

点赞数

本文链接：https://blog.youkuaiyun.com/qq_43679627/article/details/87292798

版权

本文探讨了TensorFlow中的tf.Graph和tf.Session().run()的使用，强调了通过Session运行变量值的耗时问题。文章指出，虽然Tensor.eval()等效于Session.run()，但在处理复杂场景时，应避免频繁使用Session.run()获取数据。同时，介绍了Session作为context manager的优势以及Session.run()与Tensor.eval()的区别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

session：
- with tf.Session() as sess:/ tf.InteractiveSession()
- 初始化：
  - tf.global_variables_initializer()
```
with tf.Session() as sess: sess.run(tf.global_variables_initializer())
      
      1
2
```

0. tf.Graph

命名空间与 operation name（oper.name 获取操作名）：

c_0 = tf.constant(0, name="c")  # => operation named "c"print(c_0.name)# Already-used names will be "uniquified".c_1 = tf.constant(2, name="c")  # => operation named "c_1"# Name scopes add a prefix to all operations created in the same context.with tf.name_scope("outer"):    c_2 = tf.constant(2, name="c")  # => operation named "outer/c"    # Name scopes nest like paths in a hierarchical file system.    with tf.name_scope("inner"):        c_3 = tf.constant(3, name="c")  # => operation named "outer/inner/c"    # Exiting a name scope context will return to the previous prefix.    c_4 = tf.constant(4, name="c")  # => operation named "outer/c_1"    # Already-used name scopes will be "uniquified".    with tf.name_scope("inner"):        c_5 = tf.constant(5, name="c")  # => operation named "outer/inner_1/c"
    
    1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

1. 使用 tf.Session().run() 读取变量的值十分耗时

#CODING: UTF-8import timeimport tensorflow as tfN = 100000x = tf.constant([1.])b = 1.with tf.Session() as sess: sess.run(tf.initialize_all_variables())  t1 = time.time() for _ in range(N):  y = sess.run(x) print('使用sess.run() 读取变量数据耗时', time.time()-t1) t2 = time.time() for _ in range(N):  a = b print('直接赋值耗时', time.time()-t2)
  
  1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

2. tf.Session().run() 与 Tensor.eval()

假设 x 为 tf 下的一个 Tensor 对象，t.eval() 执行的动作就是 tf.Session().run(t) 。

import tensorflow as tfx = tf.constant([5.])print(tf.Session().run(x))with tf.Session(): print(x.eval())
  
  1
2
3
4
5
6
7

在第二个例子中，session的作用就象context manager，context manager在with块的生存期，将session作为默认的 session。对简单应用的情形（如单元测试），context manager的方法可以得到更简洁的代码；如果你的代码要处理多个graph和 session，更直白的方式可能是显式调用Session.run()。

再分享一下我老师大神的人工智能教程吧。零基础！通俗易懂！风趣幽默！还带黄段子！希望你也加入到我们人工智能的队伍中来！https://blog.youkuaiyun.com/jiangjunshow