簡(jiǎn)介

上一篇筆記：Tensorflow學(xué)習(xí)筆記1：Get Started?我們談到Tensorflow是基于圖（Graph）的計(jì)算系統(tǒng)。而圖的節(jié)點(diǎn)則是由操作（Operation）來構(gòu)成的，而圖的各個(gè)節(jié)點(diǎn)之間則是由張量（Tensor）作為邊來連接在一起的。所以Tensorflow的計(jì)算過程就是一個(gè)Tensor流圖。Tensorflow的圖則是必須在一個(gè)Session中來計(jì)算。這篇筆記來大致介紹一下Session、Graph、Operation和Tensor。

Session

Session提供了Operation執(zhí)行和Tensor求值的環(huán)境。如下面所示，

import tensorflow as tf# Build a graph. a = tf.constant([1.0, 2.0]) b = tf.constant([3.0, 4.0]) c = a * b# Launch the graph in a session. sess = tf.Session()# Evaluate the tensor 'c'. print sess.run(c) sess.close()# result: [3., 8.]

一個(gè)Session可能會(huì)擁有一些資源，例如Variable或者Queue。當(dāng)我們不再需要該session的時(shí)候，需要將這些資源進(jìn)行釋放。有兩種方式，

調(diào)用session.close()方法；

使用with tf.Session()創(chuàng)建上下文（Context）來執(zhí)行，當(dāng)上下文退出時(shí)自動(dòng)釋放。

上面的例子可以寫成,

import tensorflow as tf# Build a graph. a = tf.constant([1.0, 2.0]) b = tf.constant([3.0, 4.0]) c = a * bwith tf.Session() as sess:print sess.run(c)

Session類的構(gòu)造函數(shù)如下所示：

tf.Session.__init__(target='', graph=None, config=None)

如果在創(chuàng)建Session時(shí)沒有指定Graph，則該Session會(huì)加載默認(rèn)Graph。如果在一個(gè)進(jìn)程中創(chuàng)建了多個(gè)Graph，則需要?jiǎng)?chuàng)建不同的Session來加載每個(gè)Graph，而每個(gè)Graph則可以加載在多個(gè)Session中進(jìn)行計(jì)算。

執(zhí)行Operation或者求值Tensor有兩種方式：

調(diào)用Session.run()方法：?該方法的定義如下所示，參數(shù)fetches便是一個(gè)或者多個(gè)Operation或者Tensor。

tf.Session.run(fetches, feed_dict=None)

調(diào)用Operation.run()或則Tensor.eval()方法：?這兩個(gè)方法都接收參數(shù)session，用于指定在哪個(gè)session中計(jì)算。但該參數(shù)是可選的，默認(rèn)為None，此時(shí)表示在進(jìn)程默認(rèn)session中計(jì)算。

那如何設(shè)置一個(gè)Session為默認(rèn)的Session呢？有兩種方式：

1. 在with語(yǔ)句中定義的Session，在該上下文中便成為默認(rèn)session；上面的例子可以修改成：

import tensorflow as tf# Build a graph. a = tf.constant([1.0, 2.0]) b = tf.constant([3.0, 4.0]) c = a * bwith tf.Session():print c.eval()

2. 在with語(yǔ)句中調(diào)用Session.as_default()方法。 上面的例子可以修改成：

import tensorflow as tf# Build a graph. a = tf.constant([1.0, 2.0]) b = tf.constant([3.0, 4.0]) c = a * b sess = tf.Session() with sess.as_default():print c.eval() sess.close()

Graph

Tensorflow中使用tf.Graph類表示可計(jì)算的圖。圖是由操作Operation和張量Tensor來構(gòu)成，其中Operation表示圖的節(jié)點(diǎn)（即計(jì)算單元），而Tensor則表示圖的邊（即Operation之間流動(dòng)的數(shù)據(jù)單元）。

tf.Graph.__init__()

創(chuàng)建一個(gè)新的空Graph

在Tensorflow中，始終存在一個(gè)默認(rèn)的Graph。如果要將Operation添加到默認(rèn)Graph中，只需要調(diào)用定義Operation的函數(shù)（例如tf.add()）。如果我們需要定義多個(gè)Graph，則需要在with語(yǔ)句中調(diào)用Graph.as_default()方法將某個(gè)graph設(shè)置成默認(rèn)Graph，于是with語(yǔ)句塊中調(diào)用的Operation或Tensor將會(huì)添加到該Graph中。

例如，

import tensorflow as tf g1 = tf.Graph() with g1.as_default():c1 = tf.constant([1.0]) with tf.Graph().as_default() as g2:c2 = tf.constant([2.0])with tf.Session(graph=g1) as sess1:print sess1.run(c1) with tf.Session(graph=g2) as sess2:print sess2.run(c2)# result: # [ 1.0 ] # [ 2.0 ]

如果將上面例子的sess1.run(c1)和sess2.run(c2)中的c1和c2交換一下位置，運(yùn)行會(huì)報(bào)錯(cuò)。因?yàn)閟ess1加載的g1中沒有c2這個(gè)Tensor，同樣地，sess2加載的g2中也沒有c1這個(gè)Tensor。

Operation

一個(gè)Operation就是Tensorflow Graph中的一個(gè)計(jì)算節(jié)點(diǎn)。其接收零個(gè)或者多個(gè)Tensor對(duì)象作為輸入，然后產(chǎn)生零個(gè)或者多個(gè)Tensor對(duì)象作為輸出。Operation對(duì)象的創(chuàng)建是通過直接調(diào)用Python operation方法（例如tf.matmul()）或者Graph.create_op()。

例如c = tf.matmul(a, b)表示創(chuàng)建了一個(gè)類型為MatMul的Operation，該Operation接收Tensor a和Tensor b作為輸入，而產(chǎn)生Tensor c作為輸出。

當(dāng)一個(gè)Graph加載到一個(gè)Session中，則可以調(diào)用Session.run(op)來執(zhí)行op，或者調(diào)用op.run()來執(zhí)行（op.run()是tf.get_default_session().run()的縮寫）。

Tensor

Tensor表示的是Operation的輸出結(jié)果。不過，Tensor只是一個(gè)符號(hào)句柄，其并沒有保存Operation輸出結(jié)果的值。通過調(diào)用Session.run(tensor)或者tensor.eval()方可獲取該Tensor的值。

關(guān)于Tensorflow的圖計(jì)算過程

我們通過下面的代碼來看一下Tensorflow的圖計(jì)算過程：

import tensorflow as tf a = tf.constant(1) b = tf.constant(2) c = tf.constant(3) d = tf.constant(4) add1 = tf.add(a, b) mul1 = tf.mul(b, c) add2 = tf.add(c, d) output = tf.add(add1, mul1) with tf.Session() as sess:print sess.run(output)
# result: 9

上面的代碼構(gòu)成的Graph如下圖所示，

?

當(dāng)Session加載Graph的時(shí)候，Graph里面的計(jì)算節(jié)點(diǎn)都不會(huì)被觸發(fā)執(zhí)行。當(dāng)運(yùn)行sess.run(output)的時(shí)候，會(huì)沿著指定的Tensor output來進(jìn)圖路徑往回觸發(fā)相對(duì)應(yīng)的節(jié)點(diǎn)進(jìn)行計(jì)算（圖中紅色線表示的那部分）。當(dāng)我們需要output的值時(shí)，觸發(fā)Operation tf.add(add1, mul1)被執(zhí)行，而該節(jié)點(diǎn)則需要Tensor add1和Tensor mul1的值，則往回觸發(fā)Operation tf.add(a, b)和Operation tf.mul(b, c)。以此類推。

所以在計(jì)算Graph時(shí)，并不一定是Graph中的所有節(jié)點(diǎn)都被計(jì)算了，而是指定的計(jì)算節(jié)點(diǎn)或者該節(jié)點(diǎn)的輸出結(jié)果被需要時(shí)。

(done)

轉(zhuǎn)載于:https://www.cnblogs.com/lienhua34/p/5998853.html

總結(jié)

以上是生活随笔為你收集整理的Tensorflow学习笔记2：About Session, Graph, Operation and Tensor的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。