深度学习基础之《TensorFlow框架（5）—会话》

一、会话

2.x版本由于是即时执行模式，所以不需要会话。但是可以手工开启会话

1、什么是会话
一个运行TensorFlow operation的类。会话包含以下两种开启方式
（1）tf.compat.v1.Session：用于完整的程序当中
（2）tf.compat.v1.InteractiveSession：用于交互式上下文中的TensorFlow，比如想验证下自己的想法

2、InteractiveSession例子
在2.x版本中没有eval()函数了，用numpy()函数代替

ipython
Python 3.6.8 (default, Nov 14 2023, 16:29:52) 
Type 'copyright', 'credits' or 'license' for more information
IPython 7.16.3 -- An enhanced Interactive Python. Type '?' for help.
 
In [1]: import os
 
In [2]: os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
 
In [3]: import tensorflow as tf
 
In [4]: tf.compat.v1.InteractiveSession()
Out[4]: <tensorflow.python.client.session.InteractiveSession at 0x7fa7efc09e48>
 
In [5]: a = tf.constant(3)
 
In [6]: a
Out[6]: <tf.Tensor: shape=(), dtype=int32, numpy=3>
 
In [7]: a.eval()
---------------------------------------------------------------------------
NotImplementedError                       Traceback (most recent call last)
<ipython-input-7-90f91b557aeb> in <module>
----> 1 a.eval()
 
/usr/local/lib64/python3.6/site-packages/tensorflow/python/framework/ops.py in eval(self, feed_dict, session)
   1279   def eval(self, feed_dict=None, session=None):
   1280     raise NotImplementedError(
-> 1281         "eval is not supported when eager execution is enabled, "
   1282         "is .numpy() what you're looking for?")
   1283 
 
NotImplementedError: eval is not supported when eager execution is enabled, is .numpy() what you're looking for?
In [8]: a.numpy()
Out[8]: 3

3、2.0不用专门教程，主要改变就是不用定义session了，2.0采用动态图，一旦print就会立即返回数值

4、tf.Session.close函数
会话可能拥有资源，如tf.Variable，tf.queue.QueueBase，tf.compat.v1.ReaderBase
当这些资源不再需要时，释放这些资源非常重要。因此，需要在会话中调用tf.Session.close函数，或将会话用作上下文管理器

# Using the `close()` method.
sess = tf.compat.v1.Session()
sess.run(...)
sess.close()
 
# Using the context manager.
with tf.compat.v1.Session() as sess:
  sess.run(...)

5、tf.compat.v1.Session(target='', graph=None, config=None)
说明：
target：如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定grpc://网址，以便指定TensorFlow服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备
graph：默认情况下，新的Session将绑定到当前的默认图
config：此参数允许您指定一个tf.compat.v1.ConfigProto以便控制会话的行为。例如ConfigProto协议用于打印设备使用信息

# 运行会话并打印设备信息
sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(
    allow_soft_placement=True,
    log_device_placement=True))

6、run方法
run(fetches, feed_dict=None, options=None, run_metadata=None)
说明：
通过使用sess.run()来运行operation
fetches：单一的operation，或者列表、元组（其他不属于tensorflow的类型不行）
feed_dict：参数允许调用者覆盖图中张量的值（将图形元素映射到值的字典上），运行时赋值。与tf.compat.v1.placeholder搭配使用，则会检查图的形状是否与占位符兼容
placeholder：提供占位符，run时候通过feed_dict指定参数

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf
 
def tensorflow_demo():
    """
    TensorFlow的基本结构
    """
 
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())
 
    # 2.0版本不需要开启会话，已经没有会话模块了
 
    return None
 
def graph_demo():
    """
    图的演示
    """
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())
 
    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g：\n", default_g)
 
    # 方法2：查看属性
    # print("a_t的图属性：\n", a_t.graph)
    # print("c_t的图属性：\n", c_t.graph)
 
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new：\n", c_new)
        print("a_new的图属性：\n", a_new.graph)
        print("b_new的图属性：\n", b_new.graph)
 
    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as sess:
        c_new_value = sess.run(c_new)
        print("c_new_value：\n", c_new_value)
        print("我们自己创建的图为：\n", sess.graph)
 
    # 可视化自定义图
    # 1）创建一个writer
    writer = tf.summary.create_file_writer("./tmp/summary")
    # 2）将图写入
    with writer.as_default():
        tf.summary.graph(new_g)
 
    return None
 
def session_run_demo():
    """
    feed操作
    """
    tf.compat.v1.disable_eager_execution()
    
    # 定义占位符
    a = tf.compat.v1.placeholder(tf.float32)
    b = tf.compat.v1.placeholder(tf.float32)
    sum_ab = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("sum_ab：\n", sum_ab)
    # 开启会话
    with tf.compat.v1.Session() as sess:
        print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))
 
    return None
 
if __name__ == "__main__":
    # 代码1：TensorFlow的基本结构
    # tensorflow_demo()
    # 代码2：图的演示
    #graph_demo()
    # feed操作
    session_run_demo()

python3 day01_deeplearning.py 
a：
 Tensor("Placeholder:0", dtype=float32)
b：
 Tensor("Placeholder_1:0", dtype=float32)
sum_ab：
 Tensor("Add:0", dtype=float32)
占位符的结果：
 3.3000002