tensorflow中Session和Variable

Session：

#session 会话拥有TensorFlow程序运行的所有资源，当所有程序运行结束后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄露的问题

本文主要对Session三种方式的操作。

代码：

import tensorflow as tf

A=tf.constant([1],name="A")

B=tf.constant([2,3],name="B")

Result=A+B

#方法1

#创建一个对话

sess=tf.Session()

print(sess.run(Result))

sess.close()

#关闭会话使得行中使用到的资源可以释放

#方法2

with tf.Session() as sess:

    print(sess.run(Result))

#方法3    用tf.InteractiveSession（）可以自动生成注册为默认会话。比较方便。

sess = tf.InteractiveSession()

A=tf.constant([1],name="A")

B=tf.constant([2,3],name="B")

Result=A+B

print(Result.eval(sess))

sess.close()

Variable：

说到Variable不得不提placeholder。先来聊聊变量Variable

1：

最常用的创建变量的方式

import tensorflow as tf

A = tf.Variable([1,2,3])#创建变量A，为一个array

print(A)#查看A的shape，不是A的值。结果是：

with tf.Session()as sess:

sess.run(A.initializer)#运行变量的initializer。调用op之前，所有变量都应被显式地初始化过。

sess.run(A)#查看A的值，结果是：array([1, 2, 3])

2：

R = tf.Variable(tf.random_normal([20, 10], stddev=0.5)) #以标准差0.5的正态分布初始化一个形状为[20，10]的张量

z = tf.Variable(tf.zeros([20]))  #初始化一个形状为[20]的张量， 里面的元素值全部为0.

与tf.zeros函数类似的还有 1：tf.ones，单位矩阵  2:tf.eye，对角线为1的矩阵  3：tf.constant，创建一个常数的张量

3：创建变量还可以调用 tf.get_variable 函数。获取已存在的变量。

推荐使用 tf.get_variable，方便初始化。

k = tf.get_variable(k", shape=[784, 256], initializer=tf.contrib.layers.xavier_initializer())

tf.get_variable() 会检查当前命名空间下是否存在同样命名的变量，可以方便共享变量。而tf.Variable 每次都会新建一个变量。

需要注意的是tf.get_variable() 要配合reuse和tf.variable_scope() 使用。

再回到先前提到的二者的区别:

placeholder：相当于形参，可以先定义，用到的时候再赋值。此函数和feed_dict配合使用。