Tensorflow |（4）名稱域、圖 和會話

Tensorflow |（1）初識Tensorflow

Tensorflow |（2）張量的階和數據類型及張量操作

Tensorflow |（3）變量的的創建、初始化、保存和加載

Tensorflow |（4）名稱域、圖 和會話

變量作用域

tensorflow提供了變量作用域和共享變量這樣的概念，有幾個重要的作用。

讓模型代碼更加清晰，作用分明

變量作用域域

通過tf.variable_scope()創建指定名字的變量作用域

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

print("----")

加上with語句就可以在整個itcast變量作用域下就行操作。

嵌套使用

變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("----")

變量作用域下的變量

在同一個變量作用域下，如果定義了兩個相同名稱的變量（這里先用tf.Variable()）會怎么樣呢？

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")

我們通過tensoflow提供的計算圖界面觀察

我們發現取了同樣的名字，其實tensorflow并沒有當作同一個，而是另外又增加了一個a_1，來表示b的圖

變量范圍

當每次在一個變量作用域中創建變量的時候，會在變量的name前面加上變量作用域的名稱

with tf.variable_scope("itcast"):

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

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

print(a.name,b.name)

得道結果

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

對于嵌套的變量作用域來說

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))

圖與會話

圖

tf.Graph

TensorFlow計算，表示為數據流圖。一個圖包含一組表示 tf.Operation計算單位的對象和tf.Tensor表示操作之間流動的數據單元的對象。默認Graph值始終注冊，并可通過調用訪問 tf.get_default_graph。

a = tf.constant(1.0)

assert c.graph is tf.get_default_graph()

我們可以發現這兩個圖是一樣的。那么如何創建一個圖呢，通過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())

圖的其它屬性和方法

作為一個圖的類，自然會有一些圖的屬性和方法。

as_default()

返回一個上下文管理器，使其成為Graph默認圖形。

如果要在同一過程中創建多個圖形，則應使用此方法。為了方便起見，提供了一個全局默認圖形，如果不明確地創建一個新的圖形，所有操作都將添加到此圖形中。使用該with關鍵字的方法來指定在塊的范圍內創建的操作應添加到此圖形中。

g = tf.Graph()

with g.as_default():

a = tf.constant(1.0)

assert c.graph is g

會話

tf.Session

運行TensorFlow操作圖的類，一個包含ops執行和tensor被評估

a = tf.constant(5.0)

b = tf.constant(6.0)

c = a * b

sess = tf.Session()

print(sess.run(c))

在開啟會話的時候指定圖

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

資源釋放

會話可能擁有很多資源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。在不再需要這些資源時，重要的是釋放這些資源。要做到這一點，既可以調用tf.Session.close會話中的方法，也可以使用會話作為上下文管理器。以下兩個例子是等效的：

# 使用close手動關閉

sess = tf.Session()

sess.run(...)

sess.close()

# 使用上下文管理器

with tf.Session() as sess:

sess.run(...)

run方法介紹

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

運行ops和計算tensor

fetches 可以是單個圖形元素，或任意嵌套列表，元組，namedtuple，dict或OrderedDict

feed_dict 允許調用者覆蓋圖中指定張量的值

如果a,b是其它的類型，比如tensor，同樣可以覆蓋原先的值

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)

錯誤

RuntimeError：如果它Session處于無效狀態（例如已關閉）。

TypeError：如果fetches或feed_dict鍵是不合適的類型。

ValueError：如果fetches或feed_dict鍵無效或引用 Tensor不存在。

其它屬性和方法

graph

返回本次會話中的圖

as_default()

返回使此對象成為默認會話的上下文管理器。

獲取當前的默認會話，請使用 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：?使用這個上下文管理器并不會在退出的時候關閉會話，還需要手動的去關閉

c = tf.constant(...)

sess = tf.Session()

with sess.as_default():

print(c.eval())

# ...

with sess.as_default():

print(c.eval())

sess.close()

TensorFlow

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。