Session()方法

首先我們需要創建一個Session對象.在不傳參數的情況下,該Session的構造器將啟動默認的圖.之后我們可以通過Session對象的run(op)來執行我們想要的操作。tensorflow的內核使用更加高效的C++作為后臺，以支撐它的密集計算。tensorflow把前臺(即python程序)與后臺程序之間的連接稱為"會話(Session)"。

Session作為會話，主要功能是指定操作對象的執行環境，Session類構造函數有3個可選參數。

• target(可選)：指定連接的執行引擎，多用于分布式場景。
• graph(可選)：指定要在Session對象中參與計算的圖(graph)。
• config(可選)：輔助配置Session對象所需的參數(限制CPU或GPU使用數目，設置優化參數以及設置日志選項等)。

• tf.Session.run(fetches,feed-dict=Noe,options=Node,run_metadata=None)	運行fetches中的操作節點并求其
  tf.Session.close()	關閉會話
  tf.Session.graph	返回加載該會話的圖()
  tf.Session.as_default()	設置該對象為默認會話,并返回一個上下文管理器

---

run()方法
Session對象創建完畢，便可以使用它最重要的方法run()來啟動所需要的數據流圖進行計算。

run()方法有4個參數：

run(

fetches,

feed_dict=None

options=None,

run_metadata=None

)

(1).fetches參數

• '取得之物'，表示數據流圖中能接收的任意數據流圖元素，各類Op/Tensor對象。Op,run()將返回None；Tensor,rnu()將返回Numpy數組。

import tensorflow as tf

from collections import namedtuple

a = tf.constant([10, 20])

b = tf.constant([1.0, 2.0])

session = tf.Session()

v1 = session.run(a) #fetches參數為單個張量值，返回值為Numpy數組

print(v1)

v2 = session.run([a, b]) #fetches參數為python類表，包括兩個numpy的1維矩陣

print(v2)

v3 = session.run(tf.global_variables_initializer()) #fetches 為Op類型

print(v3)

session.close()

[10 20]

[array([10, 20], dtype=int32), array([ 1., 2.], dtype=float32)]

None

(2). feed_dict參數

• 可選項，給數據流圖提供運行時數據。feed_dict的數據結構為python中的字典，其元素為各種鍵值對。"key"為各種Tensor對象的句柄；"value"很廣泛，但必須和“鍵”的類型相匹配，或能轉換為同一類型。

import tensorflow as tf

a = tf.add(1, 2)

b = tf.multiply(a, 2)

session = tf.Session()

v1 = session.run(b)

print(v1)

replace_dict = {a:20}

v2 = session.run(b, feed_dict = replace_dict)

print(v2)

6

40

?

總結

以上是生活随笔為你收集整理的tensorflow中的Session方法解释的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。