tf.compat.v1.Session

Класс для выполнения операций TensorFlow.

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

Session не работает ни с выполнением в режиме eager, ни с tf.function, и вы не должны вызывать его напрямую. Чтобы мигрировать код, использующий сессии, в TF2, перепишите код без него. См. руководство по миграции по замене вызовов Session.run.

Описание

Используется в блокнотах

Объект Session encapsulates the environment in which Operation objects are executed, and Tensor objects are evaluated. 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

Сессия может владеть ресурсами, такими 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 в сессии или используйте сессию в качестве менеджера контекста. Два следующих 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(...)

Протокол ConfigProto предоставляет различные параметры конфигурации для сессии. Например, чтобы создать сессию, использующую мягкие ограничения для размещения устройств и регистрировать полученные решения о размещении, создайте сессию 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

Просмотреть исходный код

as_default()

Возвращает менеджер контекста, делающий этот объект стандартной сессией.

Используется 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 вам необходимо 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 можно использовать with tf.compat.v1.Session(): для создания сессии, которая автоматически закрывается при выходе из контекста, включая ситуации с необработанными исключениями.

Примечание: Стандартная сессия — это свойство текущей нити. Если вы создаете 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 графиков, 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 эту сессию.

Вызов этого метода освобождает все ресурсы, связанные с сессией.

list_devices

Просмотреть исходный код

list_devices()

Отображает 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 определенный шаг.

Возвращаемая вызываемая функция будет принимать len(feed_list) аргументов, типы которых должны быть совместимы со значениями данных для соответствующих элементов feed_list. Например, если элемент i в feed_list — это tf.Tensor, то i-й аргумент возвращаемой вызываемой функции должен быть объектом numpy ndarray (или чем-то, что преобразуется в ndarray) с соответствующим типом элемента и формой. Подробности о допустимых типах ключей и значений для передачи см. в tf.Session.run.

Возвращаемая вызываемая функция будет иметь тот же тип возвращаемого значения, что и tf.Session.run(fetches, ...). Например, если fetches — это tf.Tensor, вызываемая функция вернёт объект numpy ndarray; если fetches — это tf.Operation, она вернёт None.

partial_run

Просмотр исходного кода

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение с дополнительными данными и результатами. (устарело)

Примечание: Эта функция устарела, и мы не ожидаем добавления к ней новой функциональности. Пожалуйста, не делайте зависимость своего кода от этой функции.

Это ЭКСПЕРИМЕНТАЛЬНО и может быть изменено.

Для использования частичного выполнения пользователь сначала вызывает partial_run_setup(), а затем последовательность partial_run(). partial_run_setup определяет список данных и результатов, которые будут использоваться в последующих вызовах partial_run.

Необязательный аргумент feed_dict позволяет вызывающей стороне переопределить значение тензоров в графе. Подробнее 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

Просмотр исходного кода

partial_run_setup(
    fetches, feeds=None
)

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

Примечание: Эта функция устарела, и мы не ожидаем добавления к ней новой функциональности. Пожалуйста, не делайте зависимость своего кода от этой функции.

Это ЭКСПЕРИМЕНТАЛЬНО и может быть изменено.

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

reset

Просмотр исходного кода

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

Сбрасывает контейнеры ресурсов в target и закрывает все подключённые сессии.

Контейнер ресурсов распределён по всем рабочим узлам в том же кластере, что и target. При сбросе контейнера ресурсов на target ресурсы, связанные с этим контейнером, будут очищены. В частности, все переменные в контейнере станут неопределёнными: они потеряют свои значения и формы.

ПРИМЕЧАНИЕ:

(i) reset() в настоящее время реализован только для распределённых сессий. (ii) Любые сессии на главном узле, указанном в target, будут закрыты.

Если не предоставлены контейнеры ресурсов, все контейнеры сбрасываются.

run

Просмотр исходного кода

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

Выполняет операции и вычисляет тензоры в fetches.

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

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

• tf.Operation. Соответствующее возвращаемое значение будет None.
• tf.Tensor. Соответствующее возвращаемое значение будет объектом numpy ndarray, содержащим значение этого тензора.
• tf.sparse.SparseTensor. Соответствующее возвращаемое значение будет tf.compat.v1.SparseTensorValue, содержащим значение этого разреженного тензора.
• get_tensor_handle операция. Соответствующее возвращаемое значение будет объектом numpy ndarray, содержащим дескриптор этого тензора.
• string, которое является именем тензора или операции в графе.

Возвращаемое значение run() имеет ту же структуру, что и аргумент fetches, где листья заменены соответствующими значениями, возвращёнными 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 — tf.Tensor, значение может быть скалярным значением Python, строкой, списком или numpy ndarray, которое можно преобразовать в тот же тип dtype, что и этот тензор. Кроме того, если ключ — tf.compat.v1.placeholder, форма значения будет проверена на совместимость с этим placeholder.
• Если ключ — tf.sparse.SparseTensor, значение должно быть tf.compat.v1.SparseTensorValue.
• Если ключ — вложенная кортеж из Tensor или SparseTensor, значение должно быть вложенной кортежом с той же структурой, сопоставленной с соответствующими значениями, как указано выше.

Каждое значение в feed_dict должно быть преобразуемо в массив numpy типа dtype соответствующего ключа.

Необязательный аргумент options ожидает [RunOptions] протокол. Опции позволяют управлять поведением этого конкретного шага (например, включение отслеживания).

Необязательный аргумент run_metadata ожидает [RunMetadata] протокол. Когда это уместно, нетензорный результат этого шага будет собран там. Например, когда пользователи включают отслеживание в options, информация о профилировании будет собрана в этом аргументе и возвращена обратно.

__enter__

Посмотреть исходный код

__enter__() -> 'Session'

__exit__

Посмотреть исходный код

__exit__(
    exec_type, exec_value, exec_tb
)