tf.compat.v1.InteractiveSession

Объект TensorFlow Session для использования в интерактивных средах, например в оболочке.

tf.compat.v1.InteractiveSession(
    target='', graph=None, config=None
)

Используется в блокнотах

Единственное отличие от обычного Session заключается в том, что InteractiveSession при создании устанавливает себя в качестве сеанса по умолчанию. Методы tf.Tensor.eval и tf.Operation.run используют этот сеанс для выполнения операций.

Это удобно в интерактивных оболочках и блокнотах IPython, поскольку позволяет не передавать явный объект Session для выполнения операций.

Например:

sess = tf.compat.v1.InteractiveSession()
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
# We can just use 'c.eval()' without passing 'sess'
print(c.eval())
sess.close()

Обратите внимание, что обычный сеанс устанавливает себя в качестве сеанса по умолчанию, если он создается в инструкции with. В неинтерактивных программах обычно используют следующий шаблон:

a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
with tf.compat.v1.Session():
  # We can also use 'c.eval()' here.
  print(c.eval())

Методы

as_default

Посмотреть исходный код

as_default()

Возвращает менеджер контекста, который устанавливает этот объект в качестве сеанса по умолчанию.

Используйте ключевое слово with, чтобы указать, что вызовы tf.Operation.run или tf.Tensor.eval должны выполняться в этом сеансе.

c = tf.constant(..)
sess = tf.compat.v1.Session()

with sess.as_default():
  assert tf.compat.v1.get_default_session() is sess
  print(c.eval())

Чтобы получить текущий сеанс по умолчанию, используйте tf.compat.v1.get_default_session.

Примечание: Менеджер контекста as_default не закрывает сеанс при выходе из контекста, поэтому сеанс необходимо закрыть явно.

c = tf.constant(...)
sess = tf.compat.v1.Session()
with sess.as_default():
  print(c.eval())
# ...
with sess.as_default():
  print(c.eval())

sess.close()

Также можно использовать with tf.compat.v1.Session(): для создания сеанса, который автоматически закрывается при выходе из контекста, в том числе при возникновении неперехваченного исключения.

Примечание: Сеанс по умолчанию является свойством текущего потока. Если вы создаете новый поток и хотите использовать в нем сеанс по умолчанию, необходимо явно добавить with sess.as_default(): в функцию этого потока.

Примечание: Вход в блок with sess.as_default(): не влияет на текущий граф по умолчанию. Если вы используете несколько графов и sess.graph отличается от значения tf.compat.v1.get_default_graph, необходимо явно войти в блок with sess.graph.as_default():, чтобы установить sess.graph в качестве графа по умолчанию.

close

Посмотреть исходный код

close()

Закрывает InteractiveSession.

list_devices

Посмотреть исходный код

list_devices()

Выводит список доступных устройств в этом сеансе.

devices = sess.list_devices()
for d in devices:
  print(d.name)

make_callable

Посмотреть исходный код

make_callable(
    fetches, feed_list=None, accept_options=False
)

Возвращает вызываемый объект Python, выполняющий определенный шаг.

Возвращаемый вызываемый объект принимает len(feed_list) аргументов, типы которых должны быть совместимы со значениями подачи данных для соответствующих элементов feed_list. Например, если элемент i в feed_list — это tf.Tensor, то i-й аргумент возвращаемого вызываемого объекта должен быть массивом numpy (или объектом, преобразуемым в массив numpy) с совпадающими типом элемента и формой. Подробную информацию о допустимых типах ключей и значений подачи данных см. в tf.Session.run.

Возвращаемый вызываемый объект имеет тот же тип возвращаемого значения, что и tf.Session.run(fetches, ...). Например, если fetches — это tf.Tensor, вызываемый объект вернет массив numpy; если fetches — это tf.Operation, он вернет None.

partial_run

Посмотреть исходный код

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение с дополнительными данными подачи и результатами. (устарело)

Примечание: Эта функция устарела, и мы не планируем добавлять в нее новые возможности. Не создавайте код, зависящий от этой функции.

Это ЭКСПЕРИМЕНТАЛЬНАЯ функция, поведение которой может измениться.

Чтобы использовать частичное выполнение, сначала вызовите partial_run_setup(), а затем последовательность вызовов partial_run(). partial_run_setup задает список данных подачи и результатов, которые будут использоваться в последующих вызовах partial_run.

Необязательный аргумент feed_dict позволяет вызывающему коду переопределить значения тензоров в графе. Дополнительную информацию см. в run().

Ниже приведен простой пример:

a = array_ops.placeholder(dtypes.float32, shape=[])
b = array_ops.placeholder(dtypes.float32, shape=[])
c = array_ops.placeholder(dtypes.float32, shape=[])
r1 = math_ops.add(a, b)
r2 = math_ops.multiply(r1, c)

h = sess.partial_run_setup([r1, r2], [a, b, c])
res = sess.partial_run(h, r1, feed_dict={a: 1, b: 2})
res = sess.partial_run(h, r2, feed_dict={c: res})

partial_run_setup

Посмотреть исходный код

partial_run_setup(
    fetches, feeds=None
)

Настраивает граф с данными подачи и результатами для частичного запуска. (устарело)

Примечание: Эта функция устарела, и мы не планируем добавлять в нее новые возможности. Не создавайте код, зависящий от этой функции.

Это ЭКСПЕРИМЕНТАЛЬНАЯ функция, поведение которой может измениться.

Обратите внимание: в отличие от run, feeds указывает только элементы графа. Тензоры будут переданы в последующих вызовах partial_run.

run

Посмотреть исходный код

run(
    fetches, feed_dict=None, options=None, run_metadata=None
)

Выполняет операции и вычисляет значения тензоров в fetches.

Этот метод выполняет один «шаг» вычислений TensorFlow: запускает необходимый фрагмент графа для выполнения каждой операции Operation и вычисления каждого тензора Tensor в fetches, подставляя значения из feed_dict вместо соответствующих входных значений.

Аргумент fetches может быть одним элементом графа или произвольно вложенным списком, кортежем, именованным кортежем, словарем или OrderedDict, содержащим элементы графа в конечных узлах. Элементом графа может быть один из следующих типов:

• tf.Operation. Соответствующее полученное значение будет иметь тип None.
• tf.Tensor. Соответствующим полученным значением будет массив numpy, содержащий значение этого тензора.
• tf.sparse.SparseTensor. Соответствующим полученным значением будет tf.compat.v1.SparseTensorValue, содержащий значение этого разреженного тензора.
• Операция get_tensor_handle. Соответствующим полученным значением будет массив numpy, содержащий дескриптор этого тензора.
• string, представляющий собой имя тензора или операции в графе.

Значение, возвращаемое run(), имеет ту же структуру, что и аргумент fetches, но конечные элементы заменены соответствующими значениями, возвращенными TensorFlow.

Пример:

a = tf.constant([10, 20])
b = tf.constant([1.0, 2.0])
# 'fetches' can be a singleton
v = session.run(a)
# v is the numpy array [10, 20]
# 'fetches' can be a list.
v = session.run([a, b])
# v is a Python list with 2 numpy arrays: the 1-D array [10, 20] and the
# 1-D array [1.0, 2.0]
# 'fetches' can be arbitrary lists, tuples, namedtuple, dicts:
MyData = collections.namedtuple('MyData', ['a', 'b'])
v = session.run({'k1': MyData(a, b), 'k2': [b, a]})
# v is a dict with
# v['k1'] is a MyData namedtuple with 'a' (the numpy array [10, 20]) and
# 'b' (the numpy array [1.0, 2.0])
# v['k2'] is a list with the numpy array [1.0, 2.0] and the numpy array
# [10, 20].

Необязательный аргумент feed_dict позволяет вызывающему коду переопределить значения тензоров в графе. Каждый ключ в feed_dict может иметь один из следующих типов:

• Если ключ — это tf.Tensor, значением может быть скаляр Python, строка, список или массив numpy, преобразуемый в тот же dtype, что и этот тензор. Кроме того, если ключ — это tf.compat.v1.placeholder, будет проверена совместимость формы значения с заполнителем.
• Если ключ — это tf.sparse.SparseTensor, значением должен быть tf.compat.v1.SparseTensorValue.
• Если ключ — это вложенный кортеж из объектов Tensor или SparseTensor, значением должен быть вложенный кортеж той же структуры, сопоставляющий их соответствующим значениям, как описано выше.

Каждое значение в feed_dict должно преобразовываться в массив numpy с типом данных, соответствующим типу данных ключа.

Необязательный аргумент options должен иметь тип протокола [RunOptions]. Эти параметры позволяют управлять поведением данного шага (например, включать трассировку).

Необязательный аргумент run_metadata должен иметь тип протокола [RunMetadata]. При необходимости в него будут собраны нетензорные выходные данные этого шага. Например, если пользователь включает трассировку в options, профилированные данные будут собраны и переданы через этот аргумент.