系列博客链接：
（一）TensorFlow框架介绍：https://www.cnblogs.com/kongweisi/p/11038395.html
（二）TensorFlow框架之图与TensorBoard：https://www.cnblogs.com/kongweisi/p/11038517.html
本文概述：
应用sess.run或者eval运行图程序并获取张量值
应用feed_dict机制实现运行时填充数据
应用placeholder实现创建占位符
1、会话
一个运行TensorFlow operation的类。会话包含以下两种开启方式
- tf.Session：用于完整的程序当中
- tf.InteractiveSession：用于交互式上下文中的TensorFlow ，例如shell（ipython中就用这个）
1、TensorFlow 使用 tf.Session 类来表示客户端程序（通常为 Python 程序，但也提供了使用其他语言的类似接口）与 C++ 运行时之间的连接
2、tf.Session 对象使用分布式 TensorFlow 运行时提供对本地计算机中的设备和远程设备的访问权限。
1.1 初始化 init(target='', graph=None, config=None)
会话可能拥有的资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。当这些资源不再需要时，释放这些资源非常重要。因此，需要调用tf.Session.close会话中的方法，或将会话用作上下文管理器。以下两个例子作用是一样的：
# 使用close()方法 sess = tf.Session() sess.run(...) sess.close() # 使用上下文管理器 with tf.Session() as sess: sess.run(...)
- target。 如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定 grpc:// 网址，以便指定 TensorFlow 服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备。
- graph: 默认情况下，新的 tf.Session 将绑定到当前的默认图。并且只能当前的默认图中operation。
- config: 此参数允许您指定一个 tf.ConfigProto 以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息
# 运行会话并打印设备信息 sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
会话可以分配不同的资源在不同的设备上运行。
/job:worker/replica:0/task:0/device:CPU:0
device_type：类型设备（例如CPU，GPU，TPU）
1.2 会话的run()
- run(fetches, feed_dict=None, options=None, run_metadata=None)
- 通过使用sess.run()来运行operation
- fetches：单一的operation,或者列表、元组(其它不属于tensorflow的类型不行)
- feed_dict：参数允许调用者覆盖图中张量的值，运行时赋值
- 与tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容。
- 每个值feed_dict必须可转换为相应键的dtype的numpy数组
使用tf.operation.eval()也可运行operation
# 创建图 a = tf.constant(5.0) b = tf.constant(6.0) c = a * b # 创建会话 sess = tf.Session() # 计算C的值 print(sess.run(c))
feed操作
语法：placeholder提供占位符，run时候通过feed_dict指定# 实现一个加法运a = tf.constant(3.b = tf.constant(4.0)
# 可以使用重载的运算 + --> 加法op操作 sum_ma = b + x1 print(sum_ma) sum_ = tf.add(a, b) # 结合feed_dict使用 # 当不确定数据的形状，可以使用none # [None, 3] plt = tf.placeholder(tf.float32, [None, 3]) # print(sum) # 会话,默认只能运行默认的图，不能运行其它的图（可以通过graph参数解决） # 1、会话：运行图结构 # 2、会话掌握了资源，会话运行结束，资源释放，无法再去使用这些资源计算 # with : , close() with tf.Session() as sess: # run你要运行的内容, 必须是一个op # 允许调用的时候去覆盖原来的值，运行时候提供数据
# 这里的plt就是上面placeholder占位符，后面提供要训练的数据
print(sess.run([sum_, sum_ma, a, b, plt], feed_dict = {plt: [[1, 2, 3], [4, 5, 6]]}))
# p = tf.placeholder(tf.float32) t = p + 1.0 # eval也支持这样的操作 t.eval(feed_dict={p:2.0})
请注意运行时候报的错误error:
RuntimeError：如果这Session是无效状态（例如已关闭）。
TypeError：如果fetches或者feed_dict键的类型不合适。
ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在的键。