tensorflow框架基础之Session

会话持有并管理tensorflow程序运行时的所有资源

调用会话的两种方式

方式一：明确的调用会话的生成函数和关闭会话函数

# create a session
sess = tf.Session()

# use this session to run a result
sess.run(...)

# close this session, release memeory
sess.close()

调用这种方式时，要明确调用Session.close()，以释放资源。当程序异常退出时，关闭函数就不能被执行，从而导致资源泄露。

方式二：上下文管理机制自动释放所有资源

# 创建会话，并通过上下文机制管理器管理该会话
with tf.Session() as sess:
sess.run(...)
# 不需要再调用"Session.close()"
# 在退出with statement时，会话关闭和资源释放已自动完成

会话类似计算图机制，可以指定为默认

sess = tf.Session()
with sess.as_default():
# result为某个张量
print(result.eval())

# 一下代码可完成相同的功能
sess = tf.Session()

print(sess.run(result)) # 或者
print(result.eval(session=sess))

另外，在交互式环境下，通过设置默认会话的方式来获取张量的取值更加方便，调用函数

tf.InteractiveSession()

.省去将产生的会话注册为默认会话的过程。

以上，最常用的还是方式二，但这三种方式都可以通过

ConfigProto Protocol Buffer

来配置需要生成的会话，如并行线程数、GPU分配策略、运算超时时间 等参数，最常用的两个是

allow_soft_placement

和

log_device_placement

.

ConfigProto

配置方法：

config = tf.ConfigProto(allow_soft_placement=True,
log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)

allow_soft_placement

，布尔型，一般设置为

True

，很好的支持多GPU或者不支持GPU时自动将运算放到CPU上。

log_device_placement

，布尔型，为

True

时日志将会记录每个节点被安排在了哪个设备上以方便调试。在生产环境下，通常设置为

False

可以减少日志量。