以下内容为博主从《TensorFlow实战Google深度学习框架》一书搬来，为尊重书作者和版权，因此本文属性为“转载”。
资料来源：《TensorFlow实战Google深度学习框架》 郑泽宇 梁博文 顾思宇 著 （第二版） 电子工业出版社
一、概念
会话拥有并管理tensorflow程序运行时的所有资源。所有运算完成之后都需要关闭绘画帮助系统回收资源，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。第二种可以通过python的上下文管理器来使用会话。
tensorflow不会自动生成默认的会话，需要手动指定。
二、详解
以下展示两段代码，通过设置默认会话计算张量的取值。这两段代码是等效的。
第一段代码：
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())第二段代码：
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()
#以下两个命令具有相同的功能
print(sess.run(result))
print(result.eval(session=sess))
以上两段代码，实际上都手动指定了默认会话函数，如第一段代码中的sess.as_default()和第二段代码中的session=sess,这样其实还不是最方便的。那么tensorflow提供了一个函数tf.InteractiveSession来自动设置默认会话函数，这个函数会自动将生成的会话注册为默认会话。通过该函数可以省去将产生的会话注册为默认会话的过程。如下方代码所示：
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.InteractiveSession()
print(result.eval())不管是手动设定默认函数（如第一段和第二段代码所示），还是利用tf.InteractiveSession()的方法自动将生成的会话注册为默认会话（如第三段代码所示），都可以通过ConfigProtocol Buffer来配置需要生成的会话。如下方代码所示：
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")
config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
print(sess1.run(result))接下来介绍上一段代码中出现的tf.ConfigProto函数的两个参数。
（一）allow_soft_placement
allow_soft_placement:布尔型参数，默认为False. 当它为True时，以下任意一个条件成立时，GPU上的运算可以放到CPU上进行：
1.运算无法在GPU上运行
2.没有GPU资源（比如运算被指定在第二个GPU上运行，但是机器只有一个GPU）
3.运算包含对CPU计算结果的引用
通过将该参数设置为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。也可以让程序在拥有不同数量的GPU机器上运行。
（二）log_device_placement
log_device_placement：布尔型参数，设置为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。而在生产环境中将其设置为False则可以减少日志量。