Tensorflow |（4）名称域、图 和会话

Tensorflow |（1）初识Tensorflow

Tensorflow |（2）张量的阶和数据类型及张量操作

Tensorflow |（3）变量的的创建、初始化、保存和加载

Tensorflow |（4）名称域、图 和会话

变量作用域

tensorflow提供了变量作用域和共享变量这样的概念，有几个重要的作用。

让模型代码更加清晰，作用分明

变量作用域域

通过tf.variable_scope()创建指定名字的变量作用域

with tf.variable_scope("itcast") as scope:

print("----")

加上with语句就可以在整个itcast变量作用域下就行操作。

嵌套使用

变量作用域可以嵌套使用

with tf.variable_scope("itcast") as itcast:

with tf.variable_scope("python") as python:

print("----")

变量作用域下的变量

在同一个变量作用域下，如果定义了两个相同名称的变量（这里先用tf.Variable()）会怎么样呢？

with tf.variable_scope("itcast") as scope:

a = tf.Variable([1.0,2.0],name="a")

b = tf.Variable([2.0,3.0],name="a")

我们通过tensoflow提供的计算图界面观察

我们发现取了同样的名字，其实tensorflow并没有当作同一个，而是另外又增加了一个a_1，来表示b的图

变量范围

当每次在一个变量作用域中创建变量的时候，会在变量的name前面加上变量作用域的名称

with tf.variable_scope("itcast"):

a = tf.Variable(1.0,name="a")

b = tf.get_variable("b", [1])

print(a.name,b.name)

得道结果

(u'itcast/a:0', u'itcast/b:0')

对于嵌套的变量作用域来说

with tf.variable_scope("itcast"):

with tf.variable_scope("python"):

python3 = tf.get_variable("python3", [1])

assert python3.name == "itcast/python/python3:0"

var2 = tf.get_variable("var",[3,4],initializer=tf.constant_initializer(0.0))

图与会话

图

tf.Graph

TensorFlow计算，表示为数据流图。一个图包含一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象。默认Graph值始终注册，并可通过调用访问 tf.get_default_graph。

a = tf.constant(1.0)

assert c.graph is tf.get_default_graph()

我们可以发现这两个图是一样的。那么如何创建一个图呢，通过tf.Graph()

g1= tf.Graph()

g2= tf.Graph()

with tf.Session() as sess:

tf.global_variables_initializer().run()

print(g1,g2,tf.get_default_graph())

图的其它属性和方法

作为一个图的类，自然会有一些图的属性和方法。

as_default()

返回一个上下文管理器，使其成为Graph默认图形。

如果要在同一过程中创建多个图形，则应使用此方法。为了方便起见，提供了一个全局默认图形，如果不明确地创建一个新的图形，所有操作都将添加到此图形中。使用该with关键字的方法来指定在块的范围内创建的操作应添加到此图形中。

g = tf.Graph()

with g.as_default():

a = tf.constant(1.0)

assert c.graph is g

会话

tf.Session

运行TensorFlow操作图的类，一个包含ops执行和tensor被评估

a = tf.constant(5.0)

b = tf.constant(6.0)

c = a * b

sess = tf.Session()

print(sess.run(c))

在开启会话的时候指定图

with tf.Session(graph=g) as sess:

资源释放

会话可能拥有很多资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。在不再需要这些资源时，重要的是释放这些资源。要做到这一点，既可以调用tf.Session.close会话中的方法，也可以使用会话作为上下文管理器。以下两个例子是等效的：

# 使用close手动关闭

sess = tf.Session()

sess.run(...)

sess.close()

# 使用上下文管理器

with tf.Session() as sess:

sess.run(...)

run方法介绍

run(fetches, feed_dict=None, options=None, run_metadata=None)

运行ops和计算tensor

fetches 可以是单个图形元素，或任意嵌套列表，元组，namedtuple，dict或OrderedDict

feed_dict 允许调用者覆盖图中指定张量的值

如果a,b是其它的类型，比如tensor，同样可以覆盖原先的值

a = tf.placeholder(tf.float32, shape=[])

b = tf.placeholder(tf.float32, shape=[])

c = tf.constant([1,2,3])

with tf.Session() as sess:

a,b,c = sess.run([a,b,c],feed_dict={a: 1, b: 2,c:[4,5,6]})

print(a,b,c)

错误

RuntimeError：如果它Session处于无效状态（例如已关闭）。

TypeError：如果fetches或feed_dict键是不合适的类型。

ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。

其它属性和方法

graph

返回本次会话中的图

as_default()

返回使此对象成为默认会话的上下文管理器。

获取当前的默认会话，请使用 tf.get_default_session

c = tf.constant(..)

sess = tf.Session()

with sess.as_default():

assert tf.get_default_session() is sess

print(c.eval())

注意： 使用这个上下文管理器并不会在退出的时候关闭会话，还需要手动的去关闭

c = tf.constant(...)

sess = tf.Session()

with sess.as_default():

print(c.eval())

# ...

with sess.as_default():

print(c.eval())

sess.close()

TensorFlow

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。