tensorflow(1): 图，张量和会话

Posted on | In | Comments:

定义两个不同的图

除了使用默认的计算图， TensorFlow 支持通过 tf.Graph 函数来生成新的计算图 

1
import tensorflow as tf
1
2
3
4
5
6
7
8
g1 = tf.Graph()
with g1.as_default():
    v = tf.get_variable("v", [1],
                        initializer=tf.zeros_initializer())  # 设置初始值为 0

g2 = tf.Graph()
with g2.as_default():
    v = tf.get_variable("v", [1], initializer=tf.ones_initializer())  # 设置初始值为 1
1
2
3
4
5
6
7
8
9
with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))
[0.]
[1.]

计算图可以通过 tf.Graph.device 函数来指定运行计算的设备。

在一个计算图中，可以通过集合 (collection ）来管理不同类别的资 源。

比如通过 tf.add_to_collection 函数可以将资源加入一个或多个集合中，然后通过 tf.get_collection 获取一个集合里面的所有资源。

这里的资源可以是张量、变量或者运行 TensorFlow 程序所需要的队列资源， 等等。

  • tf.GraphKeys.VARIABLES
  • tf.GraphKeys.TRAINABLE_VARIABLES
  • tf.GraphKeys.SUMMARIES
  • tf.GraphKeys.QUEUE_RUNNERS
  • tf.GraphKeys.MOVING_AVERAGE_VARIABLES

张量的概念

在张量中并没有 真正保存数字，它保存的是如何得到这些数字的计算过程。

1
2
3
4
5
6
7
8
9
import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
print(result)

sess = tf.InteractiveSession()
print(result.eval())
sess.close()
Tensor("add:0", shape=(2,), dtype=float32)
[3. 5.]
  1. 对中间计算结果的引用
  2. result.get_shape()

会话的使用

会话拥有并管理 TensorFlow 程序运行时的所有资源。

创建和关闭会话 

1
2
3
4
5
6
7
8
# 创建一个会话。
sess = tf.Session()

# 使用会话得到之前计算的结果。
print(sess.run(result))

# 关闭会话使得本次运行中使用到的资源可以被释放。
sess.close()
[3. 5.]

张量的三个属性

  • name
  • shape
  • type

使用 with statement 来创建会话 

1
2
with tf.Session() as sess:
    print(sess.run(result))
[3. 5.]

指定默认会话 

1
2
3
sess = tf.Session()
with sess.as_default():
    print(result.eval())
[3. 5.]
1
2
3
4
5
6
sess = tf.Session()

# 下面的两个命令有相同的功能。
print(sess.run(result))
print(result.eval(session=sess))
sess.close()
[3. 5.]
[3. 5.]

TensorFlow 不会自动生成默认的会话，而是需要手动指定。 当默认的会话被指定之后可以通过 tf.Tensor.eval 函数来计算 一个张量的取值。

使用 tf.InteractiveSession 构建会话

省去将产生的会话注册为默认会话的过程 

1
2
3
sess = tf.InteractiveSession ()
print(result.eval())
sess.close()
[3. 5.]

通过 ConfigProto 配置会话

配置两个参数即可 

1
2
3
config = tf.ConfigProto(allow_soft_placement=True, #  允许 GPU 上的运算可以放到 CPU 上进行 
                        log_device_placement=True  #  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 
                       )
1
2
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)
Related Posts