tensorflow中的Session()和run()

Session()方法

首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作。tensorflow的内核使用更加高效的C++作为后台，以支撑它的密集计算。tensorflow把前台(即python程序)与后台程序之间的连接称为"会话(Session)"。

Session作为会话，主要功能是指定操作对象的执行环境，Session类构造函数有3个可选参数。

target(可选)：指定连接的执行引擎，多用于分布式场景。
graph(可选)：指定要在Session对象中参与计算的图(graph)。
config(可选)：辅助配置Session对象所需的参数(限制CPU或GPU使用数目，设置优化参数以及设置日志选项等)。

tf.Session.run(fetches,feed-dict=Noe,options=Node,run_metadata=None)	运行fetches中的操作节点并求其
tf.Session.close()	关闭会话
tf.Session.graph	返回加载该会话的图()
tf.Session.as_default()	设置该对象为默认会话,并返回一个上下文管理器

run()方法
Session对象创建完毕，便可以使用它最重要的方法run()来启动所需要的数据流图进行计算。

run()方法有4个参数：

run(
    fetches,
    feed_dict=None
    options=None,
    run_metadata=None
)

(1).fetches参数

'取得之物'，表示数据流图中能接收的任意数据流图元素，各类Op/Tensor对象。Op,run()将返回None；Tensor,rnu()将返回Numpy数组。

import tensorflow as tf
from collections import namedtuple

a = tf.constant([10, 20])
b = tf.constant([1.0, 2.0])
session = tf.Session()

v1 = session.run(a) #fetches参数为单个张量值，返回值为Numpy数组
print(v1)
v2 = session.run([a, b]) #fetches参数为python类表，包括两个numpy的1维矩阵
print(v2)
v3 = session.run(tf.global_variables_initializer()) #fetches 为Op类型
print(v3)
session.close()

[10 20]
[array([10, 20], dtype=int32), array([ 1.,  2.], dtype=float32)]
None

(2). feed_dict参数

可选项，给数据流图提供运行时数据。feed_dict的数据结构为python中的字典，其元素为各种键值对。"key"为各种Tensor对象的句柄；"value"很广泛，但必须和“键”的类型相匹配，或能转换为同一类型。

import tensorflow as tf

a = tf.add(1, 2)
b = tf.multiply(a, 2)
session = tf.Session()
v1 = session.run(b)
print(v1)

replace_dict = {a:20}
v2 = session.run(b, feed_dict = replace_dict)
print(v2)

6
40

tensorflow中的Session()和run()

猜你喜欢