9 基础概念之会话的使用

查看大图

TensorFlow 学习要把张量、模型、训练和部署放在一条线上，而不是只看单段代码。阅读时可以按「什么是会话？ -> 创建会话 -> 使用占位符和变量 -> 使用 TensorFlow 2.x 的 Eager Execution」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「什么是会话？」，再查「创建会话」。

在上一节中，我们深入探讨了操作与计算图的概念。理解了计算图的结构后，我们接下来要学习如何执行这个计算图，即如何使用 TensorFlow 中的会话。

1. 什么是会话？

在 TensorFlow 中，会话（Session）是执行计算图中操作的环境。简单来说，会话是 TensorFlow 进行计算的接口，它负责启动计算图，并通过提供操作和张量的实际值来运行计算。

查看大图

理解会话使用时，先看计算图如何定义、变量如何初始化、运行时如何取回张量结果。

会话的主要功能是：

• 执行计算图中的操作
• 管理设备（CPU/GPU）
• 管理状态和资源（变量等）

2. 创建会话

在 TensorFlow 中创建会话非常简单。以下是一个示例代码，展示了如何创建一个会话并执行计算：

查看大图

读完《基础概念之会话的使用》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。

import tensorflow as tf

# 创建一个简单的常量操作
a = tf.constant(2)
b = tf.constant(3)
c = tf.add(a, b)

# 创建会话并执行计算
with tf.Session() as sess:
    result = sess.run(c)
    print("Result of addition:", result)

在上面的代码中，我们首先导入了 TensorFlow，然后创建了三个常量 a 和 b，以及一个添加操作 c。使用 tf.Session() 创建会话，然后调用 sess.run(c) 来执行该操作并获取计算结果。

3. 使用占位符和变量

除了常量，TensorFlow 中的会话还可以运行包含占位符（Placeholder）和变量（Variable）的计算图。下面是一个示例，展示了如何在会话中使用占位符和变量：

# 创建一个占位符和一个变量
x = tf.placeholder(tf.float32)
y = tf.Variable(5, dtype=tf.float32)
z = tf.add(x, y)

# 初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)  # 初始化所有变量

    # 使用占位符传递值
    result = sess.run(z, feed_dict={x: 10})
    print("Result of addition with placeholder:", result)

在这个例子中，我们定义了一个占位符 x 和一个变量 y。在会话中，我们首先运行 sess.run(init) 对变量进行初始化，然后使用 feed_dict 来传递占位符的值。

4. 使用 TensorFlow 2.x 的 Eager Execution

在 TensorFlow 2.x 版本中，默认启用了 Eager Execution，意味着你可以在不显式创建会话的情况下执行操作。以下是一个在 TensorFlow 2.x 中的例子：

import tensorflow as tf

# 直接执行操作
a = tf.constant(2)
b = tf.constant(3)
c = tf.add(a, b)

# 打印结果
print("Result of addition in TensorFlow 2.x:", c.numpy())

在这个例子中，我们直接执行操作，使用 c.numpy() 方法获得结果，而不需要创建会话。

查看大图

复习《基础概念之会话的使用》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

练习《基础概念之会话的使用》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

5. 结论

通过本节的学习，我们掌握了如何使用会话来执行 TensorFlow 中的计算图。无论是传统的 TensorFlow 1.x 还是更为简化的 TensorFlow 2.x，理解会话的使用都对我们执行计算至关重要。在实际应用中，会话不仅仅是个窗口，它还让我们灵活地处理模型训练、数据流和资源管理。

在下一节中，我们将进入 TensorFlow 的核心数据结构，重点讲解张量的创建与操作，在那里，我们将探索张量在计算中的重要性与灵活性。