深圳做分销商城网站,成都住建局官网智慧工地,wordpress头像存储,中华设计论坛tensorflow学习1.3-创建会话#xff0c;启动会话 会话的由来与作用由来作用 会话的定义与结构定义 用法基本用法上下文管理器执行部分计算图获取多个结果 总结 练习代码报错原因#xff1a;TensorFlow 2.x中的Eager Execution使用兼容模式来启用SessionEager Execution和计算… tensorflow学习1.3-创建会话启动会话 会话的由来与作用由来作用 会话的定义与结构定义 用法基本用法上下文管理器执行部分计算图获取多个结果 总结 练习代码报错原因TensorFlow 2.x中的Eager Execution使用兼容模式来启用SessionEager Execution和计算图的混合使用总结 修改 在TensorFlow 1.x版本中
Session 会话是一个非常重要的概念。它提供了一个执行计算图computation graph的环境。TensorFlow 2.x 版本引入了Eager Execution模式使得大多数操作立即执行而不再需要显式的会话管理。但是为了理解 TensorFlow 的基础以及在某些情况下可能仍然需要使用的低级操作我们还是有必要了解一下 TensorFlow 1.x 中的会话机制。 会话的由来与作用
由来
TensorFlow最初是由谷歌大脑团队开发的用于大规模机器学习任务。最初的设计目标之一是能够高效地在分布式环境中执行计算图。为了实现这一点TensorFlow引入了 Session 概念来管理和执行计算图。
作用
Session 的主要作用包括
管理资源分配和管理计算所需的资源如GPU和内存。执行计算图具体执行计算图中的操作ops并返回结果。控制生命周期在会话的生命周期内可以反复执行计算图的一部分或全部。
会话的定义与结构
在 TensorFlow 1.x 中会话是通过 tf.Session 类定义的。其主要结构和用法如下
定义
# 创建一个计算图
import tensorflow as tf# 定义一个计算图节点
a tf.constant(5.0)
b tf.constant(6.0)
c a b# 创建一个会话
sess tf.Session()# 在会话中运行计算图
result sess.run(c)
print(result) # 输出11.0# 关闭会话
sess.close()用法
基本用法
创建会话可以通过 tf.Session() 创建一个会话对象。执行计算使用 sess.run() 方法执行计算图中的节点。关闭会话使用 sess.close() 关闭会话释放资源。
上下文管理器
为了确保会话在使用后正确关闭可以使用 Python 的上下文管理器with 语句
import tensorflow as tfa tf.constant(5.0)
b tf.constant(6.0)
c a bwith tf.Session() as sess:result sess.run(c)print(result) # 输出11.0使用上下文管理器的好处是会在代码块执行完毕后自动关闭会话。
执行部分计算图
会话允许你执行计算图的一部分这对于大型复杂的计算图尤其有用
import tensorflow as tfa tf.constant(5.0)
b tf.constant(6.0)
c a b
d c * 2with tf.Session() as sess:# 只执行c节点result_c sess.run(c)print(result_c) # 输出11.0# 执行d节点TensorFlow会自动计算c节点的值result_d sess.run(d)print(result_d) # 输出22.0获取多个结果
可以在一次会话运行中获取多个节点的结果
import tensorflow as tfa tf.constant(5.0)
b tf.constant(6.0)
c a b
d c * 2with tf.Session() as sess:result_c, result_d sess.run([c, d])print(result_c) # 输出11.0print(result_d) # 输出22.0总结
Session 会话是 TensorFlow 1.x 中用于执行计算图的环境通过会话可以管理资源、执行计算图并获取结果。在 TensorFlow 2.x 中引入了更易用的 Eager Execution 模式使得大部分操作可以立即执行而不需要显式管理会话。然而了解 Session 的概念对于理解 TensorFlow 的设计原理和使用低级 API 仍然是有帮助的。
练习代码
import tensorflow as tf# 创建一个变量
m1 tf.constant([[3,3]])#创建一个常量
m2tf.constant([[2],[3]])#矩阵乘法 OP
product tf.matmul(m1,m2)print(product)#定义会话
sess tf.Session()#调用sess中的run方法执行矩阵乘法op
result sess.run(product)
print(result)
sess.close()with tf.Session() as sess:# 调用sess中的run方法来执行矩阵惩罚opresult sess.run(product)print(result)
报错
在我的环境中运行会遇见以下报错 sess tf.Session() AttributeError: module tensorflow has no attribute Session. Did you mean: version?
原因
在TensorFlow 2.x中Session已经被弃用了取而代之的是更加直观和易用的Eager Execution模式。Eager Execution使得TensorFlow操作立即执行并返回结果而不是构建一个计算图然后再通过会话来运行这些图。
尽管如此如果你确实需要使用与TensorFlow 1.x兼容的功能比如在某些情况下必须要用到计算图和会话可以通过在TensorFlow 2.x中启用兼容模式来使用这些功能。
TensorFlow 2.x中的Eager Execution
默认情况下TensorFlow 2.x启用了Eager Execution模式这使得编写和调试代码更加直观。下面是一个简单的例子
import tensorflow as tf# Eager Execution模式下直接计算
a tf.constant(5.0)
b tf.constant(6.0)
c a b
print(c) # 输出tf.Tensor(11.0, shape(), dtypefloat32)使用兼容模式来启用Session
如果你需要在TensorFlow 2.x中使用会话和计算图可以启用兼容模式
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()# 创建一个计算图
a tf.constant(5.0)
b tf.constant(6.0)
c a b# 创建一个会话
sess tf.Session()# 在会话中运行计算图
result sess.run(c)
print(result) # 输出11.0# 关闭会话
sess.close()Eager Execution和计算图的混合使用
在某些复杂场景中你可能需要混合使用Eager Execution和计算图。这种情况下你可以使用tf.function来定义需要构建为计算图的部分代码
import tensorflow as tf# Eager Execution模式下直接计算
a tf.constant(5.0)
b tf.constant(6.0)
c a b
print(c) # 输出tf.Tensor(11.0, shape(), dtypefloat32)# 使用tf.function将代码转换为计算图
tf.function
def compute():d a * breturn dresult compute()
print(result) # 输出tf.Tensor(30.0, shape(), dtypefloat32)总结
在TensorFlow 2.x中建议尽量使用Eager Execution模式因为它更加直观和易于调试。如果你必须使用与TensorFlow 1.x兼容的功能可以通过启用兼容模式来使用会话和计算图。在大多数情况下Eager Execution模式已经足够强大并且能够满足大多数深度学习任务的需求。
修改
在TensorFlow 2.x中推荐使用Eager Execution模式因为它更加直观和易于调试。以下是将代码转换为Eager Execution模式的版本
import tensorflow as tf# 确保Eager Execution模式已启用
tf.config.run_functions_eagerly(True)# 创建一个变量
m1 tf.constant([[3, 3]])# 创建一个常量
m2 tf.constant([[2], [3]])# 矩阵乘法 OP
product tf.matmul(m1, m2)# 立即执行操作并返回结果
print(product.numpy())# 在Eager Execution模式下不需要显式定义会话
# 结果已经通过Eager Execution模式返回
result product.numpy()
print(result)
在这个代码中我们不需要显式定义会话。Eager Execution模式使得TensorFlow操作立即执行并返回结果这样代码更加直观和易于调试。如果需要与TensorFlow 1.x兼容的功能可以启用兼容模式但在大多数情况下Eager Execution模式已经足够强大并且能够满足大多数深度学习任务的需求。
在TensorFlow 2.x中直接使用Eager Execution模式会避免很多TensorFlow 1.x中的复杂性和问题。如果需要使用与TensorFlow 1.x兼容的功能确保在兼容模式下正确地定义和使用计算图。
这里是修正后的代码确保兼容模式下操作添加到计算图中
import tensorflow as tf# 使用兼容模式
tf.compat.v1.disable_eager_execution()# 创建一个变量
m1 tf.compat.v1.constant([[3, 3]])# 创建一个常量
m2 tf.compat.v1.constant([[2], [3]])# 矩阵乘法 OP
product tf.compat.v1.matmul(m1, m2)# 定义会话
sess tf.compat.v1.Session()# 调用sess中的run方法执行矩阵乘法op
result sess.run(product)
print(result)
sess.close()# 使用上下文管理器定义会话
with tf.compat.v1.Session() as sess:# 调用sess中的run方法来执行矩阵乘法opresult sess.run(product)print(result)在这个代码中使用了 tf.compat.v1.disable_eager_execution() 来禁用Eager Execution并确保所有操作都在兼容模式下添加到计算图中。然后使用 tf.compat.v1.Session 来运行这些操作。这种方式能够确保在TensorFlow 2.x中使用与1.x兼容的会话模式。
使用上下文管理器定义会话
# 使用上下文管理器定义会话
with tf.compat.v1.Session() as sess:# 调用sess中的run方法来执行矩阵乘法opresult sess.run(product)print(result)with tf.compat.v1.Session() as sess:使用 with 关键字创建一个 tf.compat.v1.Session() 对象并将其赋值给 sess 变量。tf.compat.v1.Session() 是 TensorFlow 2.x 中兼容 TensorFlow 1.x 的会话对象。 sess.run(product)在会话中调用 run 方法来执行之前定义的矩阵乘法操作 product。这一步实际上会启动 TensorFlow 的计算图并执行相应的计算。 print(result)打印执行结果 result即矩阵乘法的结果。
上下文管理器的作用 使用 with 语句块可以确保在进入 with 代码块时会话 sess 被创建并在代码块执行结束时自动关闭。这种方式避免了手动调用 sess.close() 来关闭会话同时也确保了资源的正确释放特别是在 TensorFlow 中关闭会话能够释放计算资源和内存。
总结来说这段代码的目的是使用 TensorFlow 2.x 的兼容模式创建一个会话并在会话中执行矩阵乘法操作最后打印执行结果。使用上下文管理器 with 确保了会话在使用完毕后正确关闭避免了资源泄露和错误的释放。
