Tensorflow会话Session

转载自：

http://blog.csdn.net/Hanging_Gardens/article/details/72784392

https://www.cnblogs.com/hypnus-ly/p/8040951.html

　　会话Session持有并管理tensorflow程序运行时的所有资源。tensorflow构建的计算图Graph必须通过Session会话才能执行，如果只是在计算图中定义了图的节点但没有使用Session会话的话，就不能运行该节点。

调用会话的三种方式：

方式一：明确的调用会话的生成函数和关闭会话函数

# create a session
sess = tf.Session()

# use this session to run a result
sess.run(...)

# close this session, release memeory
sess.close()

　　调用这种方式时，要明确调用Session.close()，以释放资源。当程序异常退出时，关闭函数就不能被执行，从而导致资源泄露。

方式二：上下文管理机制自动释放所有资源

# 创建会话，并通过上下文机制管理器管理该会话
with tf.Session() as sess:
    sess.run(...)
# 不需要再调用"Session.close()"
# 在退出with statement时，会话关闭和资源释放已自动完成

　　会话类似计算图机制，可以指定为默认

sess = tf.Session()
with sess.as_default():
    # result为某个张量
    print(result.eval())

# 以下代码可完成相同的功能
sess = tf.Session()
print(sess.run(result)) # 或者
print(result.eval(session=sess))   

方式三：使用交互式环境

在交互式环境下，通过设置默认会话的方式来获取张量的取值更加方便，调用函数tf.InteractiveSession()省去将产生的会话注册为默认会话的过程。

# 在交互式环境下，使用设置默认会话的方法来获取张量的取值更加方便，tensorflow提供了一种在交互式环境下直接构建
# 默认会话的函数，tf.InteractiveSession。该函数会自动将生成的会话注册为默认会话。
sess= tf.InteractiveSession()
print(result.eval())
sess.close()

　　以上，最常用的还是方式二，但这三种方式都可以通过ConfigProto Protocol Buffer来配置需要生成的会话，如并行线程数、GPU分配策略、运算超时时间 等参数，最常用的两个是allow_soft_placement和log_device_placement。

ConfigProto配置方法：

config = tf.ConfigProto(allow_soft_placement=True, 
                        log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)    

allow_soft_placement：一个布尔类型的参数。当为True时，在以下条件下，可以将GPU上的运算方法CPU上。

1、运算无法在GPU上执行

2、没有GPU资源（比如本机只有一个GPU，但运算被指定在其他GPU上执行）

3、运算输入包含对CPU计算结果的应用

为了加强代码的可移植性，在有GPU的环境下，一般将该参数设置为True

log_device_placement：一个布尔类型的参数。当设置为True时，日志中将会记录每个节点被安排在了那个设备上方便调试。

另外，关于Tensorflow的GPU使用说明可以参考：http://www.cnblogs.com/hejunlin1992/articles/7800876.html