【AI实战】快速掌握TensorFlow（二）：计算图、会话

时间 2019-11-07 标签 AI实战快速掌握 tensorflow 计算会话

在前面的文章中，咱们已经完成了AI基础环境的搭建（见文章：Ubuntu + Anaconda + TensorFlow + GPU + PyCharm搭建AI基础环境），以及初步了解了TensorFlow的特色和基本操做（见文章：快速掌握TensorFlow（一）），接下来将继续学习掌握TensorFlow。前端

本文主要是学习掌握TensorFlow的计算图、会话操做。python

计算图是TensorFlow的核心概念，使用图（Graph）来表示计算任务，由节点和边组成。TensorFlow由前端负责构建计算图，后端负责执行计算图。
为了执行图的计算，图必须在会话（Session）里面启动，会话将图的操做分发到CPU、GPU等设备上执行。
下面将介绍如何在TensorFlow里面建立会话、图以及基本操做。算法

一、图（Graph）
TensorFlow Python库已经有一个默认图 (default graph)，若是没有建立新的计算图，则默认状况下是在这个default graph里面建立节点和边。
在图里面添加节点很是方便。例如如今要建立这样的计算图，两个张量相加，以下图：

代码以下：后端

import tensorflow as tf 
a=tf.constant([1.0,2.0], name='a') 
b=tf.constant([3.0,4.0], name='b') 
result = tf.add(a,b)

如今默认图就有了三个节点，两个constant()，和一个add()。
为了真正使两个张量相加并获得结果，就必须在会话里面启动这个图。微信

二、会话（Session）
要启动计算图，首先要建立一个Session对象。
使用tf.Session()建立会话，调用run()函数执行计算图。若是没有传入任何建立参数，会话构造器将启动默认图。若是要指定某个计算图，则传入计算图参数（如g1），则建立会话方式为tf.Session(graph=g1)建立会话（Session）主要有如下三种方式：
（1）建立一个会话网络

#启动默认图
sess=tf.Session()
result_value = sess.run(result)
print(result_value)
# ==> [4.0 6.0]

# 任务完成, 关闭会话.
sess.close()

（2）建立一个会话
Session在使用完后须要关闭以释放资源，除了显式调用close外，也可使用“with”代码块来自动完成关闭动做。代码以下：分布式

with tf.Session() as sess:
    result_value = sess.run(result)
    print(result_value)
    # ==> [4.0 6.0]

（3）建立一个默认的会话函数

sess=tf.Session()
with sess.as_default():
    result_value = result.eval()
    print(result_value)

当指定默认会话后，能够经过tf.Tensor.eval函数来计算一个张量的取值。oop

（4）建立一个交互式会话
在交互式环境下（例如IPython），使用设置默认会话的方式来获取张量的取值更加方便，TensorFlow提供了一种在交互式环境下直接构建默认会话的函数：tf.InteractiveSession，该函数会自动将生成的会话注册为默认会话，使用 tf.Tensor.eval()代替 Session.run()，代码以下：学习

sess= tf.InteractiveSession()
result_value = result.eval()
print(result_value)
sess.close()

三、构建多个计算图
在TensorFlow中能够构建多个计算图，计算图之间的张量和运算是不会共享的，经过这种方式，能够在同个项目中构建多个网络模型，而相互之间不会受影响。
使用tf.Graph()函数构建图，构建多个计算图的方式以下：

# 构建计算图g1
g1=tf.Graph()
with g1.as_default():
    # 在计算图g1中定义变量'v',并设置初始值为0。
    v=tf.get_variable('v',initializer=tf.zeros_initializer()(shape = [1]))
    
# 构建计算图g2
g2=tf.Graph()
with g2.as_default():
    # 在计算图g2中定义变量'v',并设置初始值微1。
    v=tf.get_variable('v',initializer=tf.ones_initializer()(shape = [1]))

# 在计算图g1中读取变量'v'的取值
with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse=True):
        print(sess.run(tf.get_variable('v')))
        # 输出结果[0.]

# 在计算图g2中读取变量'v'的取值
with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse=True):
        print(sess.run(tf.get_variable('v')))
        # 输出结果[1.]。

四、指定运行设备
若是电脑有多个GPU，能够在图、会话中指定要运行的设备
（1）在图中指定运行设备

g=tf.Graph()
# 指定计算运行的设备。
with g.device('/gpu:0'):
    result=tf.add(a,b)

（2）在会话中指定运行设备

with tf.Session() as sess:
  with tf.device("/gpu:0"):
    result=tf.add(a,b)

运行的设备用字符串进行标识，目前支持的设备包括：

"/cpu:0": 机器的 CPU
"/gpu:0": 机器的第一个 GPU，若是有的话
"/gpu:1": 机器的第二个 GPU，以此类推

经过以上介绍，已经了解了图、会话的基本操做，使用图 (graph) 来表示计算任务，使用会话 (Session) 来执行图。

接下来，咱们将有更多讲解TensorFlow的精彩内容，敬请期待！

欢迎关注本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），获取更多信息

推荐相关阅读