tf.Session
一个运行TensorFlow操作的类。会话对象封装了执行操作对象和计算张量对象的环境。
例:
# Build a graph.
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
# Launch the graph in a session.
sess = tf.Session()
# Evaluate the tensor `c`.
print(sess.run(c))会话可能拥有资源，比如tf.variable，tf.QueueBase， tf.ReaderBase。当不再需要这些资源时，释放它们是很重要的。为此，可以调用tf.Session。关闭会话上的方法，或将会话用作上下文管理器。下面两个例子是等价的:
# Using the `close()` method.
sess = tf.Session()
sess.run(...)
sess.close()
# Using the context manager.
with tf.Session() as sess:
sess.run(...)ConfigProto协议缓冲区公开会话的各种配置选项。例如，要创建一个使用设备放置软约束的会话，并记录结果的放置决策，创建一个会话如下:
# Launch the graph in a session that allows soft device placement and
# logs the placement decisions.
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
log_device_placement=True))性质:
graph:
在此会话中启动的图表。
graph_def
底层张量流图的可序列化版本。
返回值:
- graph_pb2.GraphDef proto包含底层TensorFlow图中所有操作的节点。
sess_str
Methods
__init__
__init__(
target='',
graph=None,
config=None
)创建一个新的TensorFlow会话。如果在构造会话时没有指定图形参数，则会话中将启动缺省图形。如果在同一过程中使用多个图(使用tf.Graph()创建)，则必须为每个图使用不同的会话，但是每个图可以在多个会话中使用。在这种情况下，将要显式启动的图形传递给会话构造函数通常更清楚。
参数:
target: (可选)。要连接到的执行引擎。默认使用进程内引擎。有关更多示例，请参见分布式TensorFlow。graph: (可选)。将要启动的图表(如上所述)。config: (可选)带有会话配置选项的ConfigProto协议缓冲区。
__enter__
__enter__()__exit__
__exit__(
exec_type,
exec_value,
exec_tb
)as_default
as_default()返回使此对象成为默认会话的上下文管理器。使用with关键字指定对tf.Operation.run或tf.张量的调用。eval应该在这个会话中执行。
c = tf.constant(..)
sess = tf.Session()
with sess.as_default():
assert tf.get_default_session() is sess
print(c.eval())要获取当前默认会话，请使用tf.get_default_session。注意:当你退出上下文时，as_default上下文管理器不会关闭会话，您必须显式地关闭会话。
c = tf.constant(...)
sess = tf.Session()
with sess.as_default():
print(c.eval())
# ...
with sess.as_default():
print(c.eval())
sess.close()或者，你可以使用with tf.Session():创建一个在退出上下文时自动关闭的会话，包括在引发未捕获异常时。
注意:默认会话是当前线程的属性。如果您创建了一个新线程，并且希望在该线程中使用默认会话，则必须在该线程的函数中显式地添加一个带有ses .as_default():的会话。注意:使用ssh .as_default():块输入a不会影响当前默认图。如果您正在使用多个图形，那么sess。图与tf值不同。get_default_graph，您必须显式地输入一个带有sess.graph.as_default():块的参数来执行sess。绘制默认图形。
返回值:
- 使用此会话作为默认会话的上下文管理器。
close
close()关闭会话。调用此方法释放与会话关联的所有资源。
异常:
tf.errors.OpError: Or one of its subclasses if an error occurs while closing the TensorFlow session.
list_devices
list_devices()列出此会话中的可用设备。
devices = sess.list_devices()
for d in devices:
print(d.name)列表中的每个元素都具有以下属性:- name:一个带有设备全名的字符串。例如:/job:worker/ copy:0/task:3/device:CPU:0 - device_type:设备的类型(例如CPU、GPU、TPU) - memory_limit:设备上可用的最大内存量。注意:根据设备的不同，可用内存可能会大大减少。
异常:
tf.errors.OpError: If it encounters an error (e.g. session is in an invalid state, or network errors occur).
返回值:
- 会话中的设备列表。
make_callable
make_callable(
fetches,
feed_list=None,
accept_options=False
)返回一个运行特定步骤的Python可调用函数。返回的可调用函数将接受len(feed_list)参数，其类型必须与feed_list的各个元素的提要值兼容。例如，如果feed_list的元素i是tf。张量，返回的可调用的第i个参数必须是一个numpy ndarray(或可转换为ndarray的东西)，它具有匹配的元素类型和形状。返回的可调用函数将具有与tf.Session.run(fetches，…)相同的返回类型。例如，如果fetches是tf。张量，可调用的将返回一个numpy ndarray;如果fetches是tf。操作，它将返回None。
参数:
fetches: 要获取的值或值列表。有关允许获取类型的详细信息，请参见tf.Session.run。- feed_list: (可选)。feed_dict键的列表。有关允许的提要键类型的详细信息，请参见tf.Session.run。
- accept_options:(可选)。如果为真，返回的Callable将能够接受tf。RunOptions和tf。RunMetadata分别作为可选的关键字参数选项和run_metadata，具有与tf.Session.run相同的语法和语义，这对于某些用例(分析和调试)是有用的，但是会导致可调用程序性能的显著下降。默认值:False。
返回值:
- 调用时将执行feed_list定义的步骤并在此会话中获取的函数。
异常:
TypeError: Iffetchesorfeed_listcannot be interpreted as arguments totf.Session.run.
partial_run
partial_run(
handle,
fetches,
feed_dict=None
)使用更多的提要和获取继续执行。这是实验性的，可能会发生变化。 要使用部分执行，用户首先调用partial_run_setup()，然后调用partial_run()序列。partial_run_setup指定将在后续partial_run调用中使用的提要和获取列表。可选的feed_dict参数允许调用者覆盖图中张量的值。有关更多信息，请参见run()。
下面是一个简单的例子:
a = array_ops.placeholder(dtypes.float32, shape=[])
b = array_ops.placeholder(dtypes.float32, shape=[])
c = array_ops.placeholder(dtypes.float32, shape=[])
r1 = math_ops.add(a, b)
r2 = math_ops.multiply(r1, c)
h = sess.partial_run_setup([r1, r2], [a, b, c])
res = sess.partial_run(h, r1, feed_dict={a: 1, b: 2})
res = sess.partial_run(h, r2, feed_dict={c: res})参数:
handle: 用于一系列部分运行的句柄。fetches: 单个图形元素、一组图形元素或一个字典，其值是图形元素或图形元素列表(请参阅运行文档)。- feed_dict:将图形元素映射到值的字典(如上所述)。
返回值:
- 如果fetches是单个图形元素，则使用单个值;如果fetches是列表，则使用值列表;如果fetches是字典，则使用与之相同的键的字典(有关运行，请参阅文档)。
异常:
tf.errors.OpError: Or one of its subclasses on error.
partial_run_setup
partial_run_setup(
fetches,
feeds=None
)为部分运行设置一个包含提要和获取的图。这是实验性的，可能会发生变化。注意，与run相反，提要只指定图元素。张量将由后续的partial_run调用提供。
参数:
fetches: 单个图元素，或一组图元素。feeds: 单个图元素，或图元素列表。
返回值:
- 用于部分运行的句柄。
异常:
RuntimeError: If thisSessionis in an invalid state (e.g. has been closed).TypeError: Iffetchesorfeed_dictkeys are of an inappropriate type.tf.errors.OpError: Or one of its subclasses if a TensorFlow error happens.
reset
@staticmethod
reset(
target,
containers=None,
config=None
)在目标上重置资源容器，并关闭所有连接的会话。资源容器分布在与目标相同的集群中的所有worker上。当重置目标上的资源容器时，将清除与该容器关联的资源。特别是，容器中的所有变量都将成为未定义的:它们将丢失它们的值和形状。
注意:(i) reset()目前仅为分布式会话实现。(ii)按目标命名的关于主机的任何会话都将关闭。如果没有提供资源容器，则重置所有容器。
参数:
target: 要连接到的执行引擎。- containers: 资源容器名称字符串的列表，如果要重置所有容器，则为None。
config: (可选)带有配置选项的协议缓冲区。
异常:
tf.errors.OpError: Or one of its subclasses if an error occurs while resetting containers.
run
run(
fetches,
feed_dict=None,
options=None,
run_metadata=None
)在读取中运行操作并计算张量。该方法运行TensorFlow计算的一个“步骤”，通过运行必要的图片段来执行每一个操作，并在fetches中计算每个张量，用feed_dict中的值替换相应的输入值。fetches参数可以是一个单独的图形元素，也可以是一个任意嵌套的列表、元组、namedtuple、dict或OrderedDict，它的叶子中包含图形元素。图形元素可以是以下类型之一:
- 一个tf.Operation。对应的获取值将为None。
- tf.Tensor。相应的获取值将是一个包含该张量值的numpy ndarray。
- tf.SparseTensor。对应的获取值将是tf。包含稀疏张量的值。
- 一个get_tensor_handle操作符。相应的获取值将是一个包含该张量句柄的numpy ndarray。
- 一个字符串，它是图中张量或运算的名称。
run()返回的值具有与fetches参数相同的形状，其中叶子被TensorFlow返回的相应值替换。例:
a = tf.constant([10, 20])
b = tf.constant([1.0, 2.0])
# 'fetches' can be a singleton
v = session.run(a)
# v is the numpy array [10, 20]
# 'fetches' can be a list.
v = session.run([a, b])
# v is a Python list with 2 numpy arrays: the 1-D array [10, 20] and the
# 1-D array [1.0, 2.0]
# 'fetches' can be arbitrary lists, tuples, namedtuple, dicts:
MyData = collections.namedtuple('MyData', ['a', 'b'])
v = session.run({'k1': MyData(a, b), 'k2': [b, a]})
# v is a dict with
# v['k1'] is a MyData namedtuple with 'a' (the numpy array [10, 20]) and
# 'b' (the numpy array [1.0, 2.0])
# v['k2'] is a list with the numpy array [1.0, 2.0] and the numpy array
# [10, 20].可选的feed_dict参数允许调用者覆盖图中张量的值。feed_dict中的每个键都可以是以下类型之一:
- 如果键是tf.Tensor，其值可以是Python标量、字符串、列表或numpy ndarray，可以转换为与该张量相同的dtype。此外，如果键是tf。将检查值的形状是否与占位符兼容。
- 如果键是tf.Tensorsparse，这个值应该是tf.SparseTensorValue。
- 如果键是张量或稀疏张量的嵌套元组，则该值应该是嵌套元组，其结构与上面映射到其对应值的结构相同。
feed_dict中的每个值必须转换为对应键的dtype的numpy数组。可选选项参数预期会出现[runo]。这些选项允许控制此特定步骤的行为(例如打开跟踪)。可选的run_metadata参数需要一个[RunMetadata]原型。在适当的时候，这个步骤的非张量输出将被收集到这里。例如，当用户打开跟踪选项时，所分析的信息将被收集到这个参数中并传递回去。
参数:
fetches:单个图元素、图元素列表或字典，其值是图元素或图元素列表(如上所述)。- feed_dict:将图形元素映射到值的字典(如上所述)。
options:[runo]协议缓冲区- run_metadata:一个[RunMetadata]协议缓冲区
返回值:
如果fetches是单个图形元素，则使用单个值;如果fetches是列表，则使用值列表;如果fetches是字典，则使用与之相同的键的字典(如上所述)。未定义在调用中计算获取操作的顺序。
异常:
RuntimeError: If thisSessionis in an invalid state (e.g. has been closed).TypeError: Iffetchesorfeed_dictkeys are of an inappropriate type.ValueError: Iffetchesorfeed_dictkeys are invalid or refer to aTensorthat doesn't exist.
原链接: https://tensorflow.google.cn/versions/r1.9/api_docs/python/tf/Session?hl=en