TensorFlow 中三种启动图 用法

介绍 TensorFlow 中启动图：  tf.Session()，tf.InteractivesSession()，tf.train.Supervisor().managed_session()  用法的区别：

（1）tf.Session()

         构造阶段完成后, 才能启动图. 启动图的第一步是创建一个 Session 对象, 如果无任何创建参数, 会话构造器将启动默认图.

具体代码：

[python] view plain copy

print?

1. #coding:utf-8  
2.   
3. import tensorflow as tf  
4.   
5. matrix1 = tf.constant([[3., 3.]])  
6. matrix2 = tf.constant([[2.], [2.]])  
7.   
8. preduct = tf.matmul(matrix1, matrix2)  
9. # 使用 "with" 代码块来自动完成关闭动作.  
10. with tf.Session() as sess:  
11.     sess.run(tf.global_variables_initializer())  
12.     print sess.run(preduct)  

#coding:utf-8import tensorflow as tfmatrix1 = tf.constant([[3., 3.]])matrix2 = tf.constant([[2.], [2.]])preduct = tf.matmul(matrix1, matrix2)# 使用 "with" 代码块来自动完成关闭动作.with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    print sess.run(preduct)

（2）tf.InteractivesSession()

         为了便于使用诸如 IPython之类的 Python 交互环境, 可以使用InteractiveSession 代替 Session 类, 使用 Tensor.eval()和 Operation.run()方法代替Session.run(). 这样可以避免使用一个变量来持有会话。

具体代码：

[python] view plain copy

print?

1. #coding:utf-8  
2.   
3. import tensorflow as tf  
4.   
5. matrix1 = tf.constant([[3., 3.]])  
6. matrix2 = tf.constant([[2.], [2.]])  
7.   
8. preduct = tf.matmul(matrix1, matrix2)  
9.   
10. sess_ = tf.InteractiveSession()  
11.   
12. tf.global_variables_initializer().run()  
13. print preduct.eval()  
14.   
15. sess_.close()  

#coding:utf-8import tensorflow as tfmatrix1 = tf.constant([[3., 3.]])matrix2 = tf.constant([[2.], [2.]])preduct = tf.matmul(matrix1, matrix2)sess_ = tf.InteractiveSession()tf.global_variables_initializer().run()print preduct.eval()sess_.close()

（3）tf.train.Supervisor().managed_session()
         与上面两种启动图相比较来说，Supervisor() 帮助我们处理一些事情：

         (a) 自动去 checkpoint 加载数据或者初始化数据

       （b) 自动有一个 Saver ，可以用来保存 checkpoint

               eg: sv.saver.save(sess, save_path)

          (c) 有一个 summary_computed 用来保存 Summary

         因此我们可以省略了以下内容：

          （a）手动初始化或者从 checkpoint  中加载数据

          （b）不需要创建 Saver 类， 使用 sv 内部的就可以

          （c）不需要创建 Summary_Writer()

具体代码：

[python] view plain copy

print?

1. import tensorflow as tf  
2.   
3. matrix1 = tf.constant([[3., 3.]])  
4. matrix2 = tf.constant([[2.], [2.]])  
5.   
6. preduct = tf.matmul(matrix1, matrix2)  
7.   
8. sv = tf.train.Supervisor(logdir=None, init_op=tf.global_variables_initializer())  
9.   
10. with sv.managed_session() as sess:  
11.     print sess.run(preduct)  

import tensorflow as tfmatrix1 = tf.constant([[3., 3.]])matrix2 = tf.constant([[2.], [2.]])preduct = tf.matmul(matrix1, matrix2)sv = tf.train.Supervisor(logdir=None, init_op=tf.global_variables_initializer())with sv.managed_session() as sess:    print sess.run(preduct)

另外一个栗子：

[python] view plain copy

print?

1. #coding:utf-8  
2.   
3. import tensorflow as tf  
4.   
5. a = tf.Variable(1)  
6. b = tf.Variable(2)  
7. c = tf.add(a, b)  
8.   
9. update = tf.assign(a, c)  
10.   
11. init = tf.global_variables_initializer()  
12.   
13. sv = tf.train.Supervisor(logdir="./tmp/", init_op=init)  
14. saver = sv.saver  
15. with sv.managed_session() as sess:  
16.     for i in range(1000):  
17.         update_ = sess.run(update)  
18.         #print("11111", update)  
19.   
20.         if i % 100 == 0:  
21.             sv.saver.save(sess, "./tmp/", global_step=i)  

#coding:utf-8import tensorflow as tfa = tf.Variable(1)b = tf.Variable(2)c = tf.add(a, b)update = tf.assign(a, c)init = tf.global_variables_initializer()sv = tf.train.Supervisor(logdir="./tmp/", init_op=init)saver = sv.saverwith sv.managed_session() as sess:    for i in range(1000):        update_ = sess.run(update)        #print("11111", update)        if i % 100 == 0:            sv.saver.save(sess, "./tmp/", global_step=i)

如何使用 Supervisor() 来启动图和保存训练参数