TensorFlow 中三种启动图用法

转自https://blog.csdn.net/lyc_yongcai/article/details/73467480

TensorFlow 中有三种启动图的方法：tf.Session()，tf.InteractivesSession()，tf.train.Supervisor().managed_session()

它们各自的用法如下：

（1）tf.Session()：构造阶段完成后, 才能启动图。启动图的第一步是创建一个 Session 对象, 如果无任何创建参数, 会话构造器将启动默认图。

（2）tf.InteractivesSession()：为了便于使用诸如 IPython之类的 Python 交互环境, 可以使用InteractiveSession 代替 Session 类, 使用 Tensor.eval()和 Operation.run()方法代替Session.run(). 这样可以避免使用一个变量来持有会话。

import tensorflow as tf
 
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.], [2.]])
 
preduct = tf.matmul(matrix1, matrix2)
 
sess_ = tf.InteractiveSession()
tf.global_variables_initializer().run()
print preduct.eval()
 
sess_.close()

（3）tf.train.Supervisor().managed_session() ：

与上面两种启动图相比较来说，Supervisor() 帮助我们处理一些事情：

  (a) 自动去 checkpoint 加载数据或者初始化数据

（b）自动有一个 Saver ，可以用来保存 checkpoint

eg: sv.saver.save(sess, save_path)

  (c) 有一个 summary_computed 用来保存 Summary

因此我们可以省略了以下内容：

（a）手动初始化或者从 checkpoint  中加载数据

（b）不需要创建 Saver 类， 使用 sv 内部的就可以

（c）不需要创建 Summary_Writer()

import tensorflow as tf
 
a = tf.Variable(1)
b = tf.Variable(2)
c = tf.add(a, b)
 
update = tf.assign(a, c)
 
init = tf.global_variables_initializer()
 
sv = tf.train.Supervisor(logdir="./tmp/", init_op=init)
saver = sv.saver
with sv.managed_session() as sess:
    for i in range(1000):
        update_ = sess.run(update)
        #print("11111", update)
 
        if i % 100 == 0:
            sv.saver.save(sess, "./tmp/", global_step=i)