【深度学习-3】TensorFlow基础（二）：Session，placeholder and Variable

在上一篇文章中我们学习了TensorFlow（TF）中的Tensor和Operation。今天继续学习TF中的其他几个重要的概念。

先看下面一段代码：

code1.png

尽管我创建了一个input tensor（ [5, 3] ）以及一系列操作（ tf.reduce_prod, tf.reduce_sum, tf.add），可是并不能马上看到结果，这是我第一次接触TF时最不习惯的地方。究竟怎样才能运行这个graph，让tensor真正流动起来呢？

Session

一个完整的TF代码主要可以分成2个部分：定义（definition）和运行（run）。而此时我们仅仅是完成了graph的定义，不会立刻执行。为了运行这个图，让tensor真正流动起来，我们需要创建一个Session对象，然后调用它的run方法。当执行完毕后，最好调用close方法将Session关闭：

code2.png

当我们把图中的一个节点（node）传递给Session.run( )的时候，实际上就是在对TF说：“Hi，我想要这个node的输出，请帮我运行相应的操作来得到它，谢谢！” 这时，Session会找到这个node所依赖的所有操作，然后按照从前到后的顺序依次进行计算，直到得出你所需要的结果。

写到这里，我突然想到这和linux中的软件包管理器十分类似，当你install一个软件包的时候，它会自动帮你把所有依赖包都装好，而这背后的安装过程对用户来说都是透明的。虽然我不知道软件包管理器是怎么实现的，但我猜测其内部也有一个graph。

Session.run方法有2个参数，分别是fetches和feed_dict。参数名有时候可以省略，比如sess.run(fetches=d)和前面的sess.run(d)是一样的。传递给fetches参数的既可以是Tensor也可以是Operation。如果传给fetches的是一个list，run返回的结果也是一个与之对应的list：

code3.png

feed_dict参数的作用是替换图中的某个tensor的值。例如：

code4.png

当我们利用 feed_dict直接提供某个tensor值（a=15）的时候，就不需要再去执行为计算这个tensor所需的所有操作（2+5=7）。这样做的好处是在某些情况下可以避免一些不必要的计算。除此之外， feed_dict还可以用来设置graph的输入值，这就引入了 placeholder的概念。

placeholder

我们将文章开头部分的代码做了一点修改：

code5.png

此时的 a不是一个tensor，而是一个placeholder。我们定义了它的type和shape，但是并没有具体的值。在后面定义graph的代码中，placeholder看上去和普通的tensor对象一样。在运行程序的时候我们用 feed_dict的方式把具体的值提供给placeholder，达到了给graph提供input的目的。

placeholder有点像在定义函数的时候用到的参数。我们在写函数内部代码的时候，虽然用到了参数，但并不知道参数所代表的值。只有在调用函数的时候，我们才把具体的值传递给参数。

Variable

前面介绍的Tensor对象是不可改变的（immutable），可以认为它们是常量（constant）。程序中还需要一类可以改变自身值的变量（variables），下面我们就来创建Variable对象：

code6.png

Oops！报错了？为什么看不到变量的值呢？

Variable对象的状态是由Session来管理的，所以我们必须在Session中对Variable对象进行初始化操作：

code7.png

也可以对部分Variable对象进行初始化操作：

code8.png

既然变量的值是可以改变的，那么我们该如何操作呢？我们可以用Variable对象的assign方法Variable.assign()来给Variable一个新的值。Variable.assign()返回的是一个操作（Op）， 必须在Session中运行才会起作用：

code9.png

每个Session对Variable的管理是独立的，所以同一个Variable在不同的Session中可以有不同的值：

code10.png

如果想把Variable的值重置为初始值，就再run一次init操作：

code11.png

未完待续.......

qrcode.jpg