tensorflow（四）----会话

最新推荐文章于 2024-04-08 21:05:48 发布

原创最新推荐文章于 2024-04-08 21:05:48 发布 · 468 阅读

2 ·

CC 4.0 BY-SA版权

tensorflow 专栏收录该内容

12 篇文章

订阅专栏

本文深入解析了TensorFlow中的会话概念，包括其定义、典型流程、执行原理及本地执行方式。通过实例展示了如何创建和使用会话，以及如何通过会话执行张量和操作。介绍了TensorFlow会话的三种执行方法：sess.run、Tensor.eval和Operation.run，并详细解释了会话执行的操作依赖和设备分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tensorflow----会话

一、会话

1.会话的定义和典型流程

会话提供了估计张量（打印张量）和执行操作的运行环境，他是发放计算认为的客户端，所有计算任务都由它连接的执行引擎完成。一个会话的典型使用流程分为以下三步：

# 1.创建会话
tf.Session(target=..., graph=..., config=...)
# 2.估计张量或执行操作
sess.run(...)
# 3.关闭会话
sess.close()

target：会话连接的执行引擎。
graph：会话加载的数据流图。当有多个数据流图时，需要指定一个数据流图加载。
config：会话启动时的配置项。

注意: 用with...as ...语句可以省略sess.close()

2.会话的一个小例子

# 定义占位符
x = tf.placeholder(tf.float16, shape=(), name='x')
y = tf.placeholder(tf.float16, shape=(), name='y')
# 创建数据流图：z = x * y
z = x * y
# 创建会话
with tf.Session() as sess:
    # 向数据节点分别填充: x=6 y=8
    result = sess.run(z, feed_dict={x: 6, y: 8})
    # 输出结果
    print('result of x*y: {}'.format(result))

# 结果：
result of x*y: 48.0

3.会话执行

在之前的文章中，我们已经了解到可以用sess.run(...)的方法去让会话执行操作，比如初始化变量：sess.run(tf.global_variables_initializer())和估计张量(获取张量): sess.run(n)。接下来介绍另外两种会话执行的方法：

估计操作: Tensor.eval(…)
执行操作：Operation.run()

接下来举一个例子：

# 另外两种会话执行的方法：（之前一直用的sess.run(...)方法）
# 定义占位符和变量
x = tf.placeholder(tf.float32, shape=(), name='x')
a = tf.Variable(3.0, name='a')
b = tf.Variable(2.0, name='b')
# 构建数据流图：y = a * x + b
y = a * x + b
with tf.Session() as sess:
    # 执行初始化操作
    tf.global_variables_initializer().run()
    # 向数据节点填充数据: x=2
    result = y.eval(feed_dict={x: 2})
    print('result of a*x+b: {}'.format(result))

# 结果：
result of a*x+b: 8.0

其实，刚才介绍的Tensor.eval(…)和Operation.run()获取张量的方法都是基于sess.run(…)方法实现的，具体流程见下图：
在这里插入图片描述

4.会话的执行原理

当我们调用sess.run(…)语句执行训练操作时：

首先，程序内部提取依赖的所有前置操作。这些操作的节点共同组成一幅子图。就是把数据流图根据前置操作的依赖关系，分成好几个子图。多个节点依赖一个结点，另外多个结点依赖另一个结点，则可以分为两个子图。
然后，程序会将子图中的计算节点、存储节点和数据节点按照各自的执行设备分类，相同设备上的节点组成了一幅局部图。就是更具执行设备再将子图分成几个子图。
最后，每个设备上的局部图在实际执行时，根据节点间的依赖关系将各个节点有序的加载到设备上执行。不同子图上同深度的节点可以并行运行。

在这里插入图片描述
比如上图：

根据前置操作input无法分割子图。
子图根据执行设备分割成子子图，这里根据cpu、gpu分为以上两个部分
首先会加载input节点（因为只有这个节点深度为0），input节点对应操作执行完毕后，左右边消失，reshape和class lable节点变为深度为0的节点，这两个节点同时的被加载，并行执行…

5.会话本地执行

对于单机程序来说，相同的机器上不同编号的cpu或gpu就是不同的设备，我们可以在创建节点时，指定执行该节点的设备。

# 会话本地执行
with tf.device('/cpu:0'):
    tf.Variable(...)
    
with tf.device('/gpu:0'):
    tf.Variable(...)

6.tensorflow本地执行

在这里插入图片描述
client是我们在python中编写的代码，当我们用sess.run(…)时，会调用本地的执行引擎server，而不是调用python解释器去执行。本地执行引擎再根据节点的执行设备不同，分配到相应的设备中执行。