tf.compat.v1.Session

Класс для выполнения операций TensorFlow.

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

Session не работает ни с eager execution, ни с tf.function, и вы не должны вызывать его напрямую. Чтобы перенести код, использующий сеансы, на TF2, перепишите его без них. Инструкции по замене вызовов Session.run см. в руководстве по переходу.

Описание

Используется в блокнотах

Объект Session инкапсулирует среду, в которой выполняются объекты Operation и вычисляются объекты Tensor. Например:

tf.compat.v1.disable_eager_execution() # need to disable eager in TF2.x
# Build a graph.
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b

# Launch the graph in a session.
sess = tf.compat.v1.Session()

# Evaluate the tensor `c`.
print(sess.run(c)) # prints 30.0

Сеанс может владеть такими ресурсами, как tf.Variable, tf.queue.QueueBase и tf.compat.v1.ReaderBase. Важно освобождать эти ресурсы, когда они больше не нужны. Для этого вызовите метод tf.Session.close сеанса или используйте сеанс как менеджер контекста. Следующие два примера эквивалентны:

# Using the `close()` method.
sess = tf.compat.v1.Session()
sess.run(...)
sess.close()

# Using the context manager.
with tf.compat.v1.Session() as sess:
  sess.run(...)

Буфер протокола ConfigProto предоставляет различные параметры конфигурации сеанса. Например, чтобы создать сеанс, использующий мягкие ограничения при размещении устройств и регистрирующий полученные решения о размещении, создайте сеанс следующим образом:

# Launch the graph in a session that allows soft device placement and
# logs the placement decisions.
sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(
    allow_soft_placement=True,
    log_device_placement=True))

Методы

as_default

Посмотреть исходный код

as_default()

Возвращает менеджер контекста, который делает этот объект сеансом 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; 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 необработанного 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 сделать sess.graph графом по умолчанию.

close

Посмотреть исходный код

close()

Закрывает этот сеанс.

Вызов этого метода освобождает все ресурсы, связанные с сеансом.

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 для соответствующих элементов feed_list. Например, если элемент i в feed_list — это tf.Tensor, i-й аргумент возвращаемого вызываемого объекта должен быть массивом numpy ndarray (или объектом, преобразуемым в ndarray) с совпадающими типом элемента и формой. Сведения о допустимых типах ключей и значений подачи см. в tf.Session.run.

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

partial_run

Посмотреть исходный код

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение, принимая дополнительные данные и результаты. (устарело)

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

Эта функция ЭКСПЕРИМЕНТАЛЬНАЯ и может измениться.

Чтобы использовать частичное выполнение, сначала вызовите partial_run_setup(), а затем последовательность вызовов partial_run(). partial_run_setup задает список данных 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 и результатами для частичного запуска. (устарело)

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

Эта функция ЭКСПЕРИМЕНТАЛЬНАЯ и может измениться.

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

reset

Посмотреть исходный код

@staticmethod
reset(
    target, containers=None, config=None
)

Сбрасывает контейнеры ресурсов на target и закрывает все подключенные сеансы.

Контейнер ресурсов распределен между всеми рабочими узлами того же кластера, что и target. При сбросе контейнера ресурсов на target связанные с ним ресурсы очищаются. В частности, все переменные в контейнере становятся неопределенными: они теряют свои значения и формы.

ПРИМЕЧАНИЕ:

(i) В настоящее время reset() реализован только для распределенных сеансов. (ii) Все сеансы на главном узле, указанном в target, будут закрыты.

Если контейнеры ресурсов не указаны, сбрасываются все контейнеры.

run

Посмотреть исходный код

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

Выполняет операции и вычисляет тензоры в fetches.

Этот метод выполняет один «шаг» вычислений TensorFlow: запускает необходимую часть графа, чтобы выполнить каждый Operation и вычислить каждый 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. Элемент графа может иметь один из следующих типов:

• tf.Operation. Полученное значение будет равно None.
• tf.Tensor. Полученное значение будет массивом numpy ndarray, содержащим значение этого тензора.
• tf.sparse.SparseTensor. Полученное значение будет объектом tf.compat.v1.SparseTensorValue, содержащим значение этого разреженного тензора.
• Операция get_tensor_handle. Полученное значение будет массивом numpy ndarray, содержащим дескриптор этого тензора.
• string, являющийся именем 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 ndarray, который можно преобразовать к тому же dtype, что и этот тензор. Кроме того, если ключ — это tf.compat.v1.placeholder, форма значения будет проверена на совместимость с заполнителем.
• Если ключ — это tf.sparse.SparseTensor, значением должен быть объект tf.compat.v1.SparseTensorValue.
• Если ключ — это вложенный кортеж из Tensor или SparseTensor, значением должен быть вложенный кортеж той же структуры, сопоставляющий их с соответствующими значениями, как описано выше.

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

Для необязательного аргумента options требуется протокол [RunOptions]. Параметры позволяют управлять поведением этого конкретного шага (например, включить трассировку).

Для необязательного аргумента run_metadata требуется протокол [RunMetadata]. При необходимости в него будут собраны нетензорные выходные данные этого шага. Например, если пользователи включат трассировку в options, профилировочные данные будут собраны в этом аргументе и переданы обратно.

__enter__

Посмотреть исходный код

__enter__() -> 'Session'

__exit__

Посмотреть исходный код

__exit__(
    exec_type, exec_value, exec_tb
)