tf.InteractiveSession

A TensorFlow сессия для использования в интерактивных контекстах, таких как оболочка.

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

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

Это удобно в интерактивных оболочках и записных книжках IPython, так как это позволяет избежать необходимости передачи явного объекта 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 обычная сессия устанавливает себя в качестве сессии по умолчанию, когда она создаётся в операторе with. В неинтерактивных программах обычно следует этому шаблону:

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 контекстный менеджер, который делает этот объект сессией по умолчанию.

Используйте ключевое слово with для указания того, 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 сессию по умолчанию, используйте tf.compat.v1.get_default_session.

Примечание: Контекстный менеджер 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(): для создания сессии, которая автоматически закрывается при выходе из контекста, в том числе при возникновении необработанного исключения.

Примечание: Сессия по умолчанию является свойством текущей нити. Если вы создаёте новую нить и хотите использовать сессию по умолчанию 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 граф по умолчанию. 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(): для того, чтобы sess.graph стал графом по умолчанию.

close

Просмотреть исходный код

close()

Закрывает InteractiveSession.

list_devices

Просмотреть исходный код

list_devices()

Выводит список доступных устройств в этой сессии.

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

Где:

Каждый элемент в списке имеет следующие свойства

• name: Строка с полным именем устройства. Пример: /job:worker/replica:0/task:3/device:CPU:0
• device_type: Тип устройства (например, CPU, GPU, TPU).
• memory_limit: Максимальный объём памяти, доступный на устройстве. Примечание: в зависимости от устройства, доступная память может быть существенно меньше.

make_callable

Просмотреть исходный код

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

Возвращает вызываемую функцию, которая выполняет определённый шаг.

Возвращаемая вызываемая функция принимает len(feed_list) аргумента, типы которых должны быть совместимы с входными значениями для соответствующих элементов feed_list. Например, если элемент i из feed_list является tf.Tensor, i-й аргумент возвращаемой вызываемой функции должен быть массивом NumPy (или чем-то преобразуемым в массив NumPy) с соответствующим типом элементов и формой. См. tf.Session.run для подробностей о допустимых типах ключей и значений входных данных.

Возвращаемая вызываемая функция будет иметь тот же тип возвращаемого значения, что и tf.Session.run(fetches, ...). Например, если fetches является tf.Tensor, вызываемая функция вернёт массив NumPy; если fetches является tf.Operation, она вернёт None.

partial_run

Просмотреть исходный код

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение с дополнительными входными данными и запросами.

ЭТО ЭКСПЕРИМЕНТАЛЬНАЯ функция и может быть изменена.

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

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

Ниже приведён 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 фидами и вычислениями для частичного выполнения.

ЭТО ЭКСПЕРИМЕНТАЛЬНАЯ функция и может быть изменена.

Обратите внимание, что в отличие от run, feeds определяет 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, заменяя значения в feed_dict соответствующими входными значениями.

Аргумент fetches может быть одним элементом графа или произвольно вложенным списком, кортежем, namedtuple, словарем или OrderedDict, содержащим 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.SparseTensor. Соответствующее возвращаемое значение будет объектом 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.

Возвращаемое значение run() имеет такую же форму, как и аргумент fetches, где листья 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 объекту переопределять значение тензоров в графе. Каждый ключ в feed_dict может быть одного из следующих типов:

• Если ключ является тензором tf.Tensor, значение может быть скаляром Python, строкой, списком или массивом numpy, который может быть преобразован к тому же типу dtype что и этот тензор. Кроме того, если ключ является местом хранения tf.compat.v1.placeholder, форма значения будет проверяться на совместимость с этим местом хранения.
• Если ключ является разреженным тензором tf.SparseTensor, значение должно быть объектом tf.compat.v1.SparseTensorValue.
• Если ключ является вложенным кортежем Tensor или SparseTensor, значение должно быть вложенным кортежем с той же структурой, что сопоставляется с их соответствующими значениями, как описано выше.

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

Необязательный аргумент options ожидает прото [RunOptions]. Параметры позволяют управлять поведением этого конкретного шага (например, включение трассировки).

Необязательный аргумент run_metadata ожидает прото [RunMetadata]. В соответствующих случаях не-тензорный выходной параметр этого шага будет собран там. Например, при включении трассировки в options, профилирующая информация будет собрана в этом аргументе и возвращена обратно.