tensorFlow 三种启动图的用法

tf.Session()，tf.InteractivesSession()，tf.train.Supervisor().managed_session()  用法的区别：

• 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()

　　为便于使用 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：

         (a) 自动去 checkpoint 加载数据或者初始化数据

         (b) 自动有一个 Saver ，可以用来保存 checkpoint，eg: sv.saver.save(sess, save_path)

         (c) 有一个 summary_computed 用来保存 Summary

        因此我们可以省略了以下内容：

      （a）手动初始化或者从 checkpoint  中加载数据

      （b）不需要创建 Saver 类， 使用 sv 内部的就可以

     （c）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)

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)