①tf.Session()
运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）
1 import os
2 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升
3
4 # 创建一张图
5 g = tf.Graph()
6
7 with g.as_default(): #作为默认图
8 c = tf.constant(11)
9 print(c.graph)
10
11 a = tf.constant(2) #定义一个常量
12 b = tf.constant(4)
13 sum = tf.add(a,b) #加法操作
14 gr = tf.get_default_graph()
15
16 #一个会话只能使用一张图，默认是注册图,即图gr
17 # with tf.Session() as sess: #上下文管理
18 # print(sess.run(sum)) #run运行加法op
19 # print(sess.run(c)) # (Tensor Tensor("Const:0", shape=(), dtype=int32) is not an element of this graph.)
20
21 #在会话中指定图运行
22 with tf.Session(graph=g) as sess: #上下文管理
23 print(sess.run(c))
输出：
<tensorflow.python.framework.ops.Graph object at 0x000002486656CD30>
11
②会话资源
会话拥有很多资源，如tf.Variable，tf.QueueBase和tf.ReaderBase等，会话结束后需要进行资源释放
- 使用方法
1、sess = tf.Session()，sess.run()，sess.close()
2、使用上下文管理器
with tf.Session() as sess:
sess.run()
tensorflow可以分为前端系统（定义程序的图的结构）和后端系统（运算图的结构，用cpu，gpu进行运算）
会话的功能：
- 运算图的结构
- 分配资源计算
- 掌握资源（变量的资源，队列，线程），所以一旦会话结束，所有的资源将不能再使用
③打印设备信息
config=tf.ConfigProto(log_device_placement=True)
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: #上下文管理
# print(sess.run(sum)) #run运行加法op
print("a.graph:",a.graph)
输出：
Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5
④交互式操作 tf.InteractiveSession()
在命令行进行测试时使用
只要有会话的上下文环境，就可以使用操作方便的eval（）
1 a = tf.constant(2) #定义一个常量
2 b = tf.constant(4)
3 sum1 = tf.add(a,b) #加法操作
4
5 with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: #上下文管理
6 print(sess.run(sum1)) #run运行加法op
7 print(sum1.eval())
输出：
Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5
Add: (Add): /job:localhost/replica:0/task:0/device:GPU:0
Const: (Const): /job:localhost/replica:0/task:0/device:GPU:0
Const_1: (Const): /job:localhost/replica:0/task:0/device:GPU:0
6
6
⑤会话中的run方法
run(fetches, feed_ dict=None,graph=None) 运行ops和计算tensor
- 嵌套列表，元组。 namedtuple，dict或OrderedDict( 重载的运算符也能运行)
- feed_dict允许调用者覆盖图中指定张量的值,提供给placeholder使用
- 返回值异常
RuntimeError：如果它Session处于无效状态(例如已关闭)。
TypeError：如果fetches或feed_ dict键是不 合适的类型。
ValueError：如果fetches或feed_ dict键 无效或引用Tensor不存在。
（1）运行多个op
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升
a = tf.constant(2) #定义一个常量
b = tf.constant(4)
sum1 = tf.add(a,b) #加法操作
with tf.Session() as sess: #上下文管理
print(sess.run(sum1)) #run运行加法op
# print(sess.run(a,b,sum1)) #错误，这样相当于将a，b和sum1当作三个参数
print(sess.run([a,b,sum1])) #要将a，b和sum1当作一个整体，放进列表中或者元组中
输出：
6
[2, 4, 6]
（2）重载运算符
- 两个非tensor的量相加（不是op）不能使用run方法
1 var1 = 3.0 2 var2 = 5.0 3 sum2 = var1 + var2 4 5 with tf.Session() as sess: #上下文管理 6 print(sess.run(sum2))
输出：
TypeError: Fetch argument 8.0 has invalid type <class 'float'>, must be a string or Tensor. (Can not convert a float into a Tensor or Operation.)
- 一个tensor和一个非tensor运算，非tensor会被重载为tensor
1 import tensorflow as tf
2 import os
3 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升
4
5 a = tf.constant(2.0) #定义一个常量
6 b = tf.constant(4.0)
7 # sum1 = tf.add(a,b) #加法操作
8
9 var1 = 3.0
10 #默认会给运算符重载成op类型
11 sum3 = a + var1 #a和var1的数据类型要匹配
12
13 with tf.Session() as sess: #上下文管理
14 print(sess.run(sum3))
15 print(a) #直接打印是一个tensor Tensor("Const:0", shape=(), dtype=float32)
16 print(var1) # 3.0
17 print(sum3) #Tensor("add:0", shape=(), dtype=float32)
输出
5.0
Tensor("Const:0", shape=(), dtype=float32)
3.0
Tensor("add:0", shape=(), dtype=float32)
（3）feed_dict参数，允许调用者覆盖图中指定张量的值，提供给placeholder使用
训练模型时，不知道每批次有多少个样本 ，即有些量不固定，我们需要实时的提供数据去进行训练
1 import tensorflow as tf 2 import os 3 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升 4 5 #placeholder是一个占位符，通常与feed_dict配合使用 6 plt1 = tf.placeholder(tf.float32,[2,3]) 7 8 plt2 = tf.placeholder(tf.float32,[None,3]) #样本数量不固定用None，Tensor("Placeholder_1:0", shape=(?, 3), dtype=float32) 9 print(plt2) 10 11 with tf.Session() as sess: #上下文管理 12 #相当于在运算的时候实时的提供数据进行训练 13 print(“plt1:\n”,sess.run(plt1,feed_dict={ plt1:[[1,2,3],[4,5,6]]})) #feed_dict是一个字典,key是变量，value是2x3的值 14 print("plt2:\n",sess.run(plt2, feed_dict={plt2: [[1, 2, 3], [4, 5, 6],[7,8,9]]}))#因为行数不固定，所以可接收任意行数的值
输出：
Tensor("Placeholder_1:0", shape=(?, 3), dtype=float32)
plt1:
[[1. 2. 3.]
[4. 5. 6.]]
plt2:
[[1. 2. 3.]
[4. 5. 6.]
[7. 8. 9.]]
会话最重要的是run，作用是运行的图的结构，即运行一些op，再得到结果
（4）TensorFlow Feed操作
意义：在程序执行的时候，不确定输入的是什么，提前“占个坑”
语法：placeholder提供占位符，在会话中run的时候通过feed_dict指定参数
- placeholder(dtype, shape=None, name=None)
shape要用列表表示，默认是一个常量
- run(self, fetches, feed_dict=None, options=None, run_metadata=None)
例1：
1 import tensorflow as tf 2 import os 3 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升 4 5 input1 = tf.placeholder(tf.float32,[2,1]) #[2,1] 2行1列 6 input2 = tf.placeholder(tf.float32) #默认是一个数 7 output = tf.add(input1,input2) 8 # placeholder 提供占位符，run的时候通过feed_dict指定参数 9 10 with tf.Session() as sess: 11 result = sess.run(output,feed_dict={input1:[[10],[1]],input2:20}) 12 print(result)
输出：
[[30.]
[21.]]
例2：
1 import tensorflow as tf 2 import os 3 os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' #去掉警告，将警告级别提升 4 5 input1 = tf.placeholder(tf.float32,[2,2]) 6 input2 = tf.placeholder(tf.float32,1) 7 8 sum = tf.add(input1,input2) 9 10 with tf.Session() as sess: 11 result = sess.run(sum, feed_dict={input1:[[1,2],[3,4]],input2:[3]}) 12 print(result)
输出：
[[4. 5.]
[6. 7.]]