①tf.Session()
运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）
1 import os 2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升 3 4 # 创建一张图 5 g = tf.Graph() 6 7 with g.as_default(): #作为默认图 8 c = tf.constant(11) 9 print(c.graph) 10 11 a = tf.constant(2) #定义一个常量 12 b = tf.constant(4) 13 sum = tf.add(a,b) #加法操作 14 gr = tf.get_default_graph() 15 16 #一个会话只能使用一张图，默认是注册图,即图gr 17 # with tf.Session() as sess: #上下文管理 18 # print(sess.run(sum)) #run运行加法op 19 # print(sess.run(c)) # (Tensor Tensor("Const:0", shape=(), dtype=int32) is not an element of this graph.) 20 21 #在会话中指定图运行 22 with tf.Session(graph=g) as sess: #上下文管理 23 print(sess.run(c))
输出：
<tensorflow.python.framework.ops.Graph object at 0x000002486656CD30> 11
②会话资源
会话拥有很多资源，如tf.Variable，tf.QueueBase和tf.ReaderBase等，会话结束后需要进行资源释放
- 使用方法
1、sess = tf.Session()，sess.run()，sess.close()
2、使用上下文管理器
with tf.Session() as sess:
sess.run()
tensorflow可以分为前端系统（定义程序的图的结构）和后端系统（运算图的结构，用cpu，gpu进行运算）
会话的功能：
- 运算图的结构
- 分配资源计算
- 掌握资源（变量的资源，队列，线程），所以一旦会话结束，所有的资源将不能再使用
③打印设备信息
config=tf.ConfigProto(log_device_placement=True)
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: #上下文管理 # print(sess.run(sum)) #run运行加法op print("a.graph:",a.graph)
输出：
Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5
④交互式操作 tf.InteractiveSession()
在命令行进行测试时使用
只要有会话的上下文环境，就可以使用操作方便的eval（）
1 a = tf.constant(2) #定义一个常量 2 b = tf.constant(4) 3 sum1 = tf.add(a,b) #加法操作 4 5 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: #上下文管理 6 print(sess.run(sum1)) #run运行加法op 7 print(sum1.eval())
输出：
Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5 Add: (Add): /job:localhost/replica:0/task:0/device:GPU:0 Const: (Const): /job:localhost/replica:0/task:0/device:GPU:0 Const_1: (Const): /job:localhost/replica:0/task:0/device:GPU:0 6 6