tf.compat.v1.InteractiveSession

Объект TensorFlow для использования в интерактивных контекстах, таких как оболочка.

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

Используется в блокнотах

Единственное отличие от обычной сессии состоит в том, что при создании она устанавливает себя в качестве стандартной сессии. Методы tf.Tensor.eval и tf.Operation.run будут использовать эту сессию для выполнения операций.

Это удобно в интерактивных оболочках и блокнотах IPython, так как позволяет избежать необходимости передавать явный объект сессии 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 обычная сессия устанавливает себя в качестве стандартной сессии при создании в инструкции `with`. В неинтерактивных программах рекомендуется следовать этой модели:

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

Просмотреть исходный код

as_default()

Возвращает менеджер контекста, который делает этот объект стандартной сессией.

Используйте с ключевым словом with, чтобы указать, что вызовы tf.Operation.run или tf.Tensor.eval должны выполняться в этой сессии.

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 текущую стандартную сессию, используйте tf.compat.v1.get_default_session.

Примечание: Менеджер контекста as_default не закрывает сессию при выходе из контекста, и вы должны явно закрыть сессию.

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

sess.close()

В качестве альтернативы, вы можете использовать with tf.compat.v1.Session():, чтобы создать сессию, которая автоматически закрывается при выходе из контекста, включая случай возникновения необработанного исключения.

Примечание: Стандартная сессия является свойством текущей нити. Если вы создаёте новую нить и хотите использовать стандартную сессию в этой нити, вы должны явно добавить with sess.as_default(): в функцию этой нити.

Примечание: Вход в блок with sess.as_default(): не влияет на текущий стандартный граф. Если вы используете несколько графов, и sess.graph отличается от значения tf.compat.v1.get_default_graph, вы должны явно войти в блок with sess.graph.as_default():, чтобы сделать sess.graph стандартным графом.

close

Просмотреть исходный код

close()

Закрывает InteractiveSession.

list_devices

Просмотреть исходный код

list_devices()

Перечисляет доступные устройства в этой сессии.

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

make_callable

Просмотреть исходный код

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

Возвращает вызываемый объект Python, выполняющий определённый шаг.

Возвращаемый вызываемый объект примет len(feed_list) аргументов, типы которых должны быть совместимы с значениями входных данных для соответствующих элементов feed_list. Например, если элемент i из feed_list является tf.Tensor, то i-ый аргумент возвращаемого вызываемого объекта должен быть массивом NumPy (или чем-то преобразуемым в массив NumPy) с соответствующим типом элементов и формой. Подробности о допустимых типах ключей и значений входных данных см. в tf.Session.run.

Возвращаемый вызываемый объект будет иметь тот же тип возвращаемого значения, что и tf.Session.run(fetches, ...). Например, если fetches является tf.Tensor, вызываемый объект вернёт массив NumPy; если fetches является tf.Operation, он вернёт None.

partial_run

Просмотреть исходный код

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение с дополнительными входными данными и значениями для извлечения. (устарело)

Примечание: Эта функция устарела, и мы не ожидаем добавления новой функциональности. Пожалуйста, не делайте вашу код зависимым от этой функции.

ЭКСПЕРИМЕНТАЛЬНО и может быть изменено.

Для использования частичного выполнения пользователь сначала вызывает partial_run_setup(), а затем последовательность partial_run(). partial_run_setup указывает список каналов и извлекаемых элементов, которые будут использованы в последующих вызовах partial_run.

Необязательный аргумент feed_dict позволяет вызывающей стороне переопределить значение тензоров в графе. Смотрите run() для получения дополнительной информации.

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

Просмотреть исходный код

partial_run_setup(
    fetches, feeds=None
)

Настраивает граф с каналами и извлекаемыми элементами для частичного выполнения. (устарело)

Примечание: Эта функция устарела, и мы не ожидаем добавления новой функциональности. Пожалуйста, не делайте вашу код зависимым от этой функции.

ЭКСПЕРИМЕНТАЛЬНО и может быть изменено.

Обратите внимание, что в отличие от run, feeds указывает только элементы графа. Тензоры будут предоставлены последующими вызовами partial_run.

run

Просмотреть исходный код

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

Выполняет операции и вычисляет тензоры в fetches.

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

Аргумент fetches может быть одним элементом графа или произвольно вложенным списком, кортежем, namedtuple, словарем или OrderedDict, содержащими элементы графа на своих листьях. Элемент графа может быть одного из следующих типов:

• Операция tf.Operation. Соответствующее возвращаемое значение будет None.
• Тензор tf.Tensor. Соответствующее возвращаемое значение будет массивом numpy, содержащим значение этого тензора.
• Разреженный тензор tf.sparse.SparseTensor. Соответствующее возвращаемое значение будет tf.compat.v1.SparseTensorValue, содержащим значение этого разреженного тензора.
• Операция get_tensor_handle. Соответствующее возвращаемое значение будет массивом numpy, содержащим дескриптор этого тензора.
• Имя тензора или операции в графе string.

Значение, возвращаемое run(), имеет ту же форму, что и аргумент fetches, где листья заменены соответствующими значениями, возвращаемыми 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 вызывающей стороне переопределить значение тензоров в графе. Каждый ключ в feed_dict может быть одного из следующих типов:

• Если ключ — это tf.Tensor, значение может быть Python-скаляром, строкой, списком или массивом numpy, которые можно преобразовать в тот же dtype, что и этот тензор. Кроме того, если ключ — это tf.compat.v1.placeholder, форма значения будет проверена на совместимость с этим плацехолдером.
• Если ключ — это tf.sparse.SparseTensor, значение должно быть tf.compat.v1.SparseTensorValue.
• Если ключ — это вложенный кортеж из Tensor или SparseTensor, значение должно быть вложенным кортежем с той же структурой, который сопоставляет их соответствующие значения, как описано выше.

Каждое значение в feed_dict должно быть преобразуемо в массив numpy с типом данных соответствующего ключа.

Необязательный аргумент options ожидает прото [RunOptions]. Опции позволяют контролировать поведение этого конкретного шага (например, включить отслеживание).

Необязательный аргумент run_metadata ожидает прото [RunMetadata]. При необходимости, не-тензорный вывод этого шага будет собран там. Например, когда пользователи включают трассировку в options, профилирующая информация будет собрана в этом аргументе и возвращена.