Session的第一种模式

import tensorflow as tf

# 定义一个计算图
tens1 = tf.constant([1, 2, 3])

# 创建一个会话
sess = tf.Session()

# 我们通过使用这个对话来实现计算图的计算
print(sess.run(tens1))

# 最后要关闭这个对话
sess.close()

需要明确调用 session.close()来关闭会话并且释放资源，当程序因为异常退出时，关闭会话函数可能就不会被执行从而导致资源的泄漏

升级一下代码：

import tensorflow as tf

# 定义一个计算图
tens1 = tf.constant([1, 2, 3])

# 创建一个会话
sess = tf.Session()

try:
    # 我们通过使用这个对话来实现计算图的计算
    print(sess.run(tens1))
except:
    print("发生异常")
finally:
    # 最后要关闭这个对话
    sess.close()

Session的第二种模式

import tensorflow as tf

# 一个简单的计算图
node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name="node1")
result = tf.add(node1, node2)

# 创建一个会话，并通过python的上下文管理器来管理这个会话
with tf.Session() as sess:
    print(sess.run(result))

# 此时不需要调用sess.close()函数来结束会话
# 会话会随着上下文管理器的的关闭而自动释放

指定默认的会话

import tensorflow as tf

# 一个简单的计算图
node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name="node1")
result = tf.add(node1, node2)

sess = tf.Session()

# 指定默认会话
with sess.as_default():
    print(result.eval())
sess = tf.Session()


# 这样也是可以直接进行计算的
print(result.eval(session=sess))

tensorflow不会生成默认的会话，需要手动指定，当默认的会话指定之后，可通过eval()函数来计算一个张量的取值

交互式环境下设置默认会话

在交互式环境下，python脚本和jupter编辑器下，通过设置默认会话来获取张量的取值更加方便
使用 tf.InteractiveSession() 会自动将生成的会话注册为默认会话

import tensorflow as tf

# 一个简单的计算图
node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name="node1")
result = tf.add(node1, node2)

sess = tf.InteractiveSession()
print(result.eval())
sess.close()

operation操作

• 计算图中的节点就是操作（Operation）
• 一次加法是一个操作
• 一次乘法也是一个操作
• 构建一些变量的初始值也是一个操作
• 每个运算操作都有属性，它在构建图的时候需要确定下来
• 操作可以和计算设备绑定，指定操作在某个设备上执行
• 操作之间存在顺序关系，这些操作之间的依赖就是“边”
• 如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B

深度学习（四）--session对话和operation操作