Tensorflow简单实践系列（三）：图和会话

当执行一个 TensorFlow 函数的时候，并不会马上执行运算，而是把运算存储到一个称为“图”（graph）的数据结构里面。

图存储的各种运算，只有在会话（session）里执行图，才会真正地执行。

图的构建

对于

1 c = tf.add(a, b)
2 e = tf.multiply(c, d)

它们所形成的图就是：

TensorFlow 用 Graph 这个容器数据结构来表示图。图的方法可以分为两类：

访问图中的数据
创建 GraphDef

访问图中的数据

有这么一些访问图数据的方法：

get_tensor_by_name(name)：根据 name 返回张量。
get_operation_by_name(name)：根据 name 返回运算。
get_operations()：返回运算的列表。
get_all_collection_keys()：返回集合的列表。
get_collection(name, scope=None)：返回给定集合的值列表。
add_to_collection(name, value)：添加值。
add_to_collections(name, value)：添加值。

示例代码：

1 # 访问图中的数据
2 x1 = tf.constant(2, name='x1')
3 x2 = tf.constant(3, name='x2')
4 my_sum = x1 + x2
5 print(tf.get_default_graph().get_operations())
6 print(tf.get_default_graph().get_tensor_by_name('x1:0'))

[<tf.Operation 'x1' type=Const>, <tf.Operation 'x2' type=Const>, <tf.Operation 'add' type=Add>]
Tensor("x1:0", shape=(), dtype=int32)

其中 'x1:0' 表示的是 'name:index'，0 表示的是这个张量的索引。

创建 GraphDef

GraphDef 是序列化之后的 Graph。

GraphDef 以一种特殊的格式（protocol buffer 或 protobuf）存储图中的数据。protobuf 可以是二进制格式或者文本格式（长得像 JSON）。

在 GraphDef 中，所有的张量和运算都用节点来表示。每个节点都有 name/op/attr 这些字段。它的样子就像：

node {
    name: { ... }
    op: { ... }
    attr { ... }
    attr { ... }
    ...
    versions { ... }
}

再通过一段代码来熟悉，as_graph_def 可以访问 TensorFlow 应用中的图：

1 a = tf.constant(666)
2 b = tf.constant(777)
3 sum1 = a + b
4 print(tf.get_default_graph().as_graph_def())

node {
  name: "Const"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_INT32
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_INT32
        tensor_shape {
        }
        int_val: 666
      }
    }
  }
}
node {
  name: "Const_1"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_INT32
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_INT32
        tensor_shape {
        }
        int_val: 777
      }
    }
  }
}
node {
  name: "add"
  op: "Add"
  input: "Const"
  input: "Const_1"
  attr {
    key: "T"
    value {
      type: DT_INT32
    }
  }
}
versions {
  producer: 38
}

tf.train 中的 write_graph 可以把图输出到文件。

函数签名如下：

write_graph(graph/graph_def, logdir, name, as_text=True)

代码示例：

print(tf.train.write_graph(tf.get_default_graph(), os.getcwd(), 'graph.dat', as_text=True))

此时会输出：

/your/path/graph.dat

即新生成了这个文件。

创建并运行会话

在 TensorFlow 里，都是先构建好 Graph，然后再在会话（session）中执行。

会话的创建

会话必须显式地创建，通过 tf.Session，它有 3 个参数：

target：执行引擎（execution engine）的名称
graph：启动的图实例
config：配置

一般我们使用默认参数，那就是：

1 with tf.Session() as sess:
2     pass

会话的执行

session 最重要的方法就是 run()，它接收 4 个方法：

fetches: 指定若干个需要执行的张量或运算
feed_dict: 需要喂给张量的数据
options: 配置参数
run_metadata: 会话的输出数据

如果 fetches 是一个张量，run 会返回一个和张量等值的 ndarray。

1 t = tf.constant([6, 66, 666])
2 with tf.Session() as sess:
3     res = sess.run(t)
4     print(res)

[  6  66 666]

如果 fetches 是一个运算，run 会返回一个运算之后的 ndarray 值。

1 t1 = tf.constant(6)
2 t2 = tf.constant(66)
3 my_multiply = t1 * t2
4 
5 with tf.Session() as sess:
6     res = sess.run(my_multiply)
7     print(res)

如果 fetches 是元素的集合，run 也会返回一个相应的集合。

1 t1 = tf.constant(6)
2 t2 = tf.constant(66)
3 
4 with tf.Session() as sess:
5     res1, res2 = sess.run([t1, t2])
6     print(res1)
7     print(res2)

6
66

输出到日志

TensorFlow 的日志是通过 tf.logging 实现的。示例代码：

1 import tensorflow.compat.v1 as tf
2 
3 tf.logging.set_verbosity(tf.logging.INFO)
4 t = tf.constant(6)
5 
6 with tf.Session() as sess:
7     res = sess.run(t)
8     tf.logging.info('Output: %f', res)

I0713 18:06:02.146098 140734845322688 <ipython-input-22-3ef84fc83efc>:8] Output: 6.000000