tensorflow 的使用逻辑：

用 Tensor 表示数据；

用 Variable 维护状态；

用 Graph 图表示计算任务，图中的节点称为 op(operation)；

用 Session 会话执行 Graph；

用 feed 和 fetch 为操作输入和输出数据；

 

Session

tensorflow 是静态图，graph 定义好之后，需要在会话中执行；

Session 相当于一个环境，负责计算张量，执行操作，他将 op 发送给 GPU 或者 CPU 之类的设备上，并提供执行方法，输出 Tensor；

在 python 中，输出的 Tensor 为 numpy 的 ndarray 类型；

 

创建会话

class Session(BaseSession):
    def __init__(self, target='', graph=None, config=None):
        pass

参数说明：

• target：会话连接的执行引擎
• graph：会话加载的数据流图
• config：会话启动时的配置项

如果不输入任何参数，代表启动默认图　　　　【后期会在 Graph 中解释】

 

两种启动方法

### method1
sess = tf.Session()
sess.close()            ### 显式关闭 session

### method2
with tf.Session() as sess:      ### 自动关闭 session
    sess.run()

1. Session 对象使用完毕通常需要关闭以释放资源，当然不关闭也可；

2. sess.run 方法执行 op

3. 在会话中执行 graph 通常需要 feed 和 fetch 操作

 

交互式环境启动 Session

例如在 IPython 中启动 Session

sess = tf.InteractiveSession()

这种方式下通常用 tensor.eval(session) 和 operation.run() 代替 sess.run

 

补充

 

feed

即喂数据，通常需要用 占位符 来填坑；

喂给的数据不能是 tensor，只能是 python 的数据类型

The value of a feed cannot be a tf.Tensor object. Acceptable feed values include Python scalars, strings, lists, numpy ndarrays, or TensorHandles

 

占位符

def placeholder(dtype, shape=None, name=None)

 

示例

d1 = tf.placeholder(dtype=tf.float32, shape=[2, 2])
d2 = tf.placeholder(dtype=tf.float32, shape=[2, 1])
d3 = tf.matmul(d1, d2)

sess2 = tf.Session()
a = np.array([[1.,2.], [2., 3.]])
b = np.array([[4.], [4.]])
print(sess2.run(d3, feed_dict={d1:a, d2:b}))
# [[12.]
#  [20.]]

 

fetch

即获取，获取节点的输出，

可以获取单个节点的输出，也可以同时执行多个节点，获取多个节点的输出

d1 = tf.placeholder(dtype=tf.float32, shape=[2, 2])
d2 = tf.placeholder(dtype=tf.float32, shape=[2, 1])
d3 = tf.matmul(d1, d2)

sess2 = tf.Session()
a = np.array([[1.,2.], [2., 3.]])
b = np.array([[4.], [4.]])
print(sess2.run(d3, feed_dict={d1:a, d2:b}))
# [[12.]
#  [20.]]

print(type(sess2.run(d3, feed_dict={d1:a, d2:b})))      # <class 'numpy.ndarray'>

可以看到输出的 Tensor 为 ndarray 类型

 

 

 

 

参考资料：