[Python知识库]tensorflow学习笔记--Session

session是客户端与整个tensorflow系统交互的接口。
1.创建一个session

#创建本地session:
with tf.Session() as sess:#运算完毕后会自动关闭session
   ........
 #创建远程session:
 with tf.Session("grpc://URL"):
 .......

或者

sess=tf.Session()#创建结构图
.....
sess.close()#最后要关闭这个接口

session拥有和管理物理资源CPU和GPU、网络连接的功能，最典型的使用方法是作为上下文管理器来使用。

2.Session的参数
session的参数主要由三个：
(1)target 用来控制 session 使用的硬件设备， 如果使用空值，那么这个 session 就只会使用本地的设备，如果使用 grpc:// URL，那么就会使用这台服务器控制的所有设备。
graph 用来控制该 session 运行哪个计算图，如果为空，那么该 session 就只会使用当前的默认 Graph，如果使用多个计算图，就可以在这里指定。
(2)config 用来 指定一个 tf.ConfigProto 格式的 session 运行配置，比如说它里面包含的 allow_soft_placement 如果指定为 TRUE，那么 session 就会自动把不适合在 GPU 上运行的 OP 全部放到 CPU 上运行；cluster_def 是分布式运行时候需要指定的配置；gpu_options.allow_growth 设置会使得程序在开始时候逐步的增长 GPU 显存使用量，而不是一开始就最大化的使用所有显存。第一个和第三个配置是经常用到的。

3.Session的运行
tf.Session.run()是运行运算OP和tensor的值的主要方式，可以一次性传入多个 OP 和 tensor 给它，然后TensorFlow 会自动执行所有需要的 OP 来得到结果。

学习视频来源：https://www.bilibili.com/video/BV1Lx411j7ws?p=10&vd_source=86dc52f925822270fe5d0498ebe0afd2

视频原码：

import tensorflow as tf

x1=tf.constant([[3,3]])
x2=tf.constant([[2],[2]])
result=tf.matmul(x1,x2)#矩阵乘法

#method1
sess=tf.compat.v1.Session()#创建结构图
poduct1=sess.run(result)#将接口指向result，执行运算
print(poduct1)
sess.close()#关闭接口

#method2
# with tf.compat.v1.Session() as sess:
#     poduct2=sess.run(result)
#     print(poduct2)

报错：

RuntimeError: The Session graph is empty.  Add operations to the graph before calling run（）

这是由于版本不兼容导致的，在最开始加上

tf.compat.v1.disable_eager_execution()#保证sess.run()能够正常运行

正确代码如下所示：

import tensorflow as tf
#解决版本兼容问题
tf.compat.v1.disable_eager_execution()#保证sess.run()能够正常运行


x1=tf.constant([[3,3]])
x2=tf.constant([[2],[2]])
result=tf.matmul(x1,x2)#矩阵乘法
#method1
sess=tf.compat.v1.Session()#创建结构图
poduct1=sess.run(result)#将接口指向result，执行运算
print(poduct1)
sess.close()#关闭接口

#method2
# with tf.compat.v1.Session() as sess:
#     poduct2=sess.run(result)
#     print(poduct2)

结果为：

[[12]]

进程已结束，退出代码为 0

本文前面部分参考：https://zhuanlan.zhihu.com/p/32869210