TensorFlow 入门

TensorFlow 运行模型一一会话

TensorFlow 使用会话（session）来执行定义好的运算。
会话拥有并管理 TensorFlow 程序运行时的所有资源。
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漏的问题。

TensorFlow 中使用会话的模式一般有两种。

第一种模式需要明确调用会话生成函数和关闭会话函数。
- 使用这种模式时，在所有计算完成之后，需要明确调用 Session.close 函数来关闭会话并释放资源。
- 然而，当程序因为异常而退出时，关闭会话的函数可能就不会被执行从而导
  致资源泄漏。

第二种模式需要使用with来管理会话。

为了解决异常退出时资源释放的问题，TensorFlow 可以通过 Python 的上下文管理器来使用会话。
通过 Python 上下文管理器的机制，只要将所有的计算放在“with”的内部就可以。
当上下文管理器退出时候会自动释放所有资源，这样既解决了因为异常退出时资源释放的问题，同时也解决了忘记调用 Session.close 函数而产生的资源泄漏。

# 以向量加法为例，当运行如下代码时，并不会得到加法的结果，而会得到对结果的一个引用。
import tensorflow as tf 
# tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中。
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
print(result)
# 输出：Tensor("add:0", shape=(2,), dtype=float32)

# 第一种模式：创建一个会话。
sess = tf.Session()
# 使用这个创建好的会话来得到关心的运算的结果。
# 比如可以调用sess.run(result)来得到张量result的取值。
print(sess.run(result))
# 关闭会话使得本次运行中使用到的资源可以被释放。
sess.close()
# 输出[ 3.  5.]

# 第二种模式：创建一个会话，并通过Python中的上下文管理器来管理这个会话。
with tf.Session() as sess:
    # 使用创建好的会话来计算关心的结果。
    print(sess.run(result))
""" 
不需要再调用“Session.close()”函数来关闭会话，
当上下文退出时会话关闭和资源释放也自动完成了。
"""
# 输出[ 3.  5.]

TensorFlow 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
动加入这个计算图中，TensorFlow 中的会话也有类似的机制，但 TensorFlow 不会自动生成默认的会话，而是需要手动指定。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。

在交互式环境下（比如 Python 脚本或者 Jupyter 的编辑器下），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 提供了一种在交互式环境下直接构建默认会话的函数。这个函数就是 tf.lnteractiveSession，使用这个函数会自动将生成的会话注册为默认会话。

# 通过设定默认会话计算张量的取值。
import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")

sess = tf.Session()
with sess.as_default():
    print(result.eval())
# 输出[ 3.  5.]

sess = tf.Session()
# 以下两个命令有相同的功能。
print(sess.run(result))
print(result.eval(session=sess))
sess.close()
# 输出两个[ 3.  5.]

# 通过tf.InteractiveSession函数可以省去将产生的会话注册为默认会话的过程。
sess = tf.InteractiveSession()
print(sess.run(result))
sess.close()
# 输出[ 3.  5.]

ConfigProto配置会话
- 无论使用哪种方法都可以通过 ConfigProto Protocol Buffer来配置需要生成的会话。
- 通过 ConfigProto 可以配置类似并行的线程数、GPU 分配策略、运算超时时间等参数。
- 在这些参数中，最常使用的有两个。
  - 第一个是 allow_soft_placement，这是一个布尔型的参数，当它为 True 时，在以下任意一个条件成立时，GPU 上的运算可以放到 CPU 上进行：
    - 运算无法在 GPU 上执行。
    - 没有 GPU 资源（比如运算被指定在第二个 GPU 上运行，但是机器只有个 GPU）。
    - 运算输入包含对 CPU 计算结果的引用。
  - 这个参数的默认值为False，但是为了使得代码的可移植性更强，在有 GPU 的环境下这个参数一般会被设置为True。不同的 GPU 驱动版本可能对计算的支持有略微的区别，通过 allow_soft_placement 参数设为True，当某些运算无法被当前 GPU 支持时，可以自动调整到 CPU 上，而不是报错。类似地，通过将这个参数设置为 True，可以让程序在拥有不同数量的 GPU 机器上顺利运行。
  - 第二个使用得比较多的配置参数是 log_device_placement ，这也是一个布尔型的参数，当它为 True 时日志中将会记录每个节点被安排在哪个设备上以方便调试。而在生产环境中将这个参数设置为 False 可以减少日志量。

算法工程师修仙之路：TensorFlow（三）

TensorFlow 入门

TensorFlow 运行模型一一会话

猜你喜欢