1-tensorflow学习笔记-会话

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要关闭会话，帮助系统回收资源

import tensorflow as tf
# 定义计算图
tens1 = tf.constant([1,2,3])

# 创建一个会话
sess = tf.Session()

# 使用会话来得到运算结果
result= sess.run(tens1)
print(result)

# 关闭会话并释放资源
sess.close()

[1 2 3]

会话模式一

# 定义计算图
tens2= tf.constant([1,2,3])


# 创建一个会话
sess = tf.Session()

# 使用会话来得到运算结果
try:
    print(sess.run(tens2))
except:
    print("Exception!")
finally:
# 关闭会话并释放资源
    sess.close()

[1 2 3]

会话模式二

node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name='nmde2')

result=tf.add(node1,node2)

# 创建一个会话，并用Python的上下文管理器来管理这个会话
with tf.Session() as sess:
    print(sess.run(result))
    
# 改方法不需要再使用sess.close()方法。

7.0

指定默认会话，需要手动指定

TensorFlow不会自动生成默认会话，需要手动指定当默认的会话被指定后可以通过tf.Tensor.eval函数来计算一个张量的取值

node1 = tf.constant(3.0, tf.float32, name='node1')
node2 = tf.constant(4.0, tf.float32, name='node2')

result = tf.add(node1, node2)

sess = tf.Session()

with sess.as_default():
    print(result.eval())
    
# 可以发现print(sess.run(result)) 与print(result.eval(session=sess)) 相同

7.0

交互式环境下设置默认会话

在交互式环境下,Python脚本或者Jupyter编辑器下,通过设置默认会话来获取张量的取值
更加方便
tf.InteractiveSession 使用这个函数会自动将生成的会话注册为默认会话

常量与变量

常量constant

在运行过程中值不会改变的单元,在TensorFlow中无须进行初始化操作
创建语句:

constant_ name = tf.constant(value)

a = tf.constant(1.0, name='a')
b = tf.constant(2.5, name='b')
c = tf.add(a, b, name='c')

sess = tf.Session()
c_value = sess.run(c)

print(c_value)
sess.close()

3.5

变量 Variable

在运行过程中值会改变的单元,在TensorFlow中须进行初始化操作
创建语句:

name_variable = tf.Variable(value, name)

个别变量初始化:

init_op = name_variable.initializer()

所有变量初始化:

init_op = tf.global_variables_initializer()

a = tf.Variable(1.0, name='a')
b = tf.Variable(2.5, name='b')
c = tf.add(a, b, name='add')

sess = tf.Session()

init = tf.global_variables_initializer() # 增加了一个init初始化的变量
sess.run(init)

c_value = sess.run(result)

print(c_value)
sess.close()

7.0

变量赋值

• 与传统编程语言不同,TensorFlow中的变量定义后,一般无需人工赋值,
  系统会根据算法模型,训练优化过程中自动调整变量对应的数值
• 后面在将机器学习模型训练时会更能体会,比如权重Weight变量w,经
  过多次迭代,会自动调
  epoch = tf.Variable(0,name='epoch',trainable=False)
• 特殊情况需要人工更新的,可用变量赋值语句
  变量更新语句:
  update_op = tf.assign(variable_to_be_updated, new_value)

# 变量赋值

value = tf.Variable(0, name= 'value')
one = tf.constant(1)
new_value = tf.add(value, one)

update_value = tf.assign(value, new_value) # 更新变量

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        sess.run(update_value)
        print(sess.run(value))

1
2
3
4
5
6
7
8
9
10

思考题

如何通过TensorFlow的变量赋值计算:1+2+3+…+10 ?

value =tf.Variable(1, name="value")
sums = tf.Variable(0)
one = tf.constant(1)

new_sums = tf.add(sums,value)
update_sums = tf.assign(sums, new_sums)

new_value = tf.add(value, one)
update_value = tf.assign(value,new_value)


init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        sess.run(update_sums)
        sess.run(update_value)
    
    print(sess.run(sums))
        

55

占位符

占位符 placeholder

• TensorFlow中的Variable变量类型,在定义时需要初始化,但有些变量
  定义时并不知道其数值,只有当真正开始运行程序时,才由外部输入,
  比如训练数据,这时候需要用到占位符

• tf.placeholder占位符,是TensorFlow中特有的一种数据结构,类似动
  态变量,函数的参数、或者C语言或者Python语言中格式化输出时的“%”
  占位符

• TensorFlow占位符Placeholder,先定义一种数据,其参数为数据的

  Type和Shape

  占位符Placeholder的函数接口如下:

  tf.placeholder(dtype, shape=None, name=None)

x = tf.placeholder(tf.float32, [2,3], name= 'tx')
# 生成一个2*3的二维2数组

Feed提交数据和Fetch提取数据

Feed提交数据

如果构建了一个包含placeholder操作的计算图,当在session中调用run方
法时,placeholder占用的变量必须通过feed_dict参数传递进去,否则报错

a = tf.placeholder(tf.float32,name='a')
b = tf.placeholder(tf.float32,name='b')
c = tf.multiply(a, b, name='c')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    result = sess.run(c, feed_dict={a: 8.0, b: 3.5})
    
    print(result)

28.0

多个操作可以通过一次Feed完成执行

a = tf.placeholder(tf.float32, name='a')
b = tf.placeholder(tf.float32, name='b')

c = tf.multiply(a,b,name='c')
d = tf.subtract(a,b,name='d')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    result = sess.run([c,d], feed_dict={a:[8.1,2.0,3.5], b:[1.5,2.0,4.0]})
    
    print(result)
    
    print(result[0])

[array([ 12.15000057,   4.        ,  14.        ], dtype=float32), array([ 6.60000038,  0.        , -0.5       ], dtype=float32)]
[ 12.15000057   4.          14.        ]

一次返回多个值分别赋给多个变量

a = tf.placeholder(tf.float32, name='a')
b = tf.placeholder(tf.float32, name='b')

c = tf.multiply(a,b,name='c')
d = tf.subtract(a,b,name='d')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    rc, rd = sess.run([c,d], feed_dict={a:[8.1,2.0,3.5], b:[1.5,2.0,4.0]})
    
    print(rc)
    
    print(rd)

[ 12.15000057   4.          14.        ]
[ 6.60000038  0.         -0.5       ]