Tensorflow入门教程五—会话

会话拥有并管理Tensorflow程序运行时的所有资源。当所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄露的问题。Tensorflow使用会话有两种模式，第一种需要明确生成并关系会话。如下：

import tensorflow as tf
sess = tf.Session()
sess.run(...)
sess.close()

但是当程序异常退出时，可能无法运行sess.close()而导致资源泄露。为了解决异常退出问题，可以采用pyhon的上下文管理器来使用会话。

with tf.Session() as sess:#不需要再使用sess.close()
    sess.run(...)

在Tensorflow中会自动生成一个默认的计算图，如果没有特殊指定，运算会自动加入默认的计算图。Tensorflow的会话也有这个机制，但是Tensorflow不会自动生成磨人的会话，而是需要手动设定。当默认的会话被指定之后，可以通过tf.Tensor.eval函数来计算一个张量的取值。

import tensorflow as tf
a = tf.constant([[1,2,2],[1,2,3]])
b = tf.constant([[1,2,2],[1,2,3]])
result = a + b
sess= tf.Session()
with sess.as_default():
    print(result.eval())

另tf.Tensor.eval()也可通过如下方式使用

import tensorflow as tf
a = tf.constant([[1,2,2],[1,2,3]])
b = tf.constant([[1,2,2],[1,2,3]])
result = a + b
with tf.Session() as sess:
    print(result.eval(session=sess))

在交互式环境中，通过设置默认会话的方式来获取张量的取值更加方便，所以Tensorflow提供了一种叫交互式环境下直接构建默认会话的函数。这个函数会自动将生成的会话注册为默认会话

import tensorflow as tf
a = tf.constant([[1,2,2],[1,2,3]])
b = tf.constant([[1,2,2],[1,2,3]])
result = a + b
sess = tf.InteractiveSession()
print(result.eval())
sess.close()

无论使用哪种方式生成会话，都可以使用tf.ConfigProto(allow_soft_placement=,log_device_placement=)函数来配置需要生成的会话。

import tensorflow as tf
config = tf.ConfigProto(allow_soft_placement = True,log_device_placement = True)
sess1 = tf.Session(config = config)
sess2 = tf.InteractiveSession(config = config)

tf.ConfigProto(allow_soft_placement=,log_device_placement=)可以配置类似并行的线程数，GPU分类策略，运算超时时间等参数，最长使用的是上述两个。allow_soft_placement为True时，在一下任意一个条件成立的时候，GPU的运算可以放到CPU上进行：

运算无法再GPU上执行
没有GPU资源
运算输入包含对CPU结果的引用

log_device_placement为True时，日志中会记录每个节点被安排在了那个设备上以方便调试。而在生产环境中可以设为False减少日志量。

扫描二维码关注公众号，回复： 1048474 查看本文章

Tensorflow入门教程五—会话

猜你喜欢