TensorFlow（8）三种启动

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。

import tensorflow as tf  

matrix1 = 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)  

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。

import tensorflow as tf  
  
matrix1 = 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()  

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：

• 自动去 checkpoint 加载数据或者初始化数据
• 自动有一个 Saver ，可以用来保存 checkpoint
  eg: sv.saver.save(sess, save_path)
• 有一个 summary_computed 用来保存 Summary

因此我们可以省略了以下内容：

• 手动初始化或者从 checkpoint 中加载数据
• 不需要创建 Saver 类， 使用 sv 内部的就可以
• 不需要创建 Summary_Writer()

import tensorflow as tf  
  
matrix1 = 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)  

另一个例子

import tensorflow as tf  
  
a = 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.saver  
with 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)