tf.compat.v1.Session

Класс для запуска операций TensorFlow.

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

Объект Session encapsulates окружение, в котором 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

Сессия может владеть ресурсами, такими как tf.Variable, tf.queue.QueueBase и tf.compat.v1.ReaderBase. Важно освободить эти ресурсы, когда они больше не требуются. Для этого вызовите метод tf.Session.close в сессии или используйте сессию 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(...)

Протокол буфера ConfigProto предоставляет различные параметры конфигурации для сессии. Например, чтобы создать сессию, использующую мягкие ограничения для размещения устройств и регистрирующую 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 сессией по умолчанию.

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 сессию по умолчанию, 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(): для создания сессии, которая автоматически закрывается при выходе из контекста, включая ситуации с необработанными исключениями.

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 эту сессию.

Вызов этого метода освобождает все ресурсы, связанные с сессией.

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. Например: /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. Обратите внимание: в зависимости от устройства, используемая память может быть значительно меньше.

make_callable

Просмотреть исходный код

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

Возвращает вызываемый Python-объект, который выполняет определённый шаг.

Возвращаемый вызываемый объект примет len(feed_list) аргумента, типы которых должны соответствовать значениям для подачи на соответствующие элементы feed_list. Например, если элемент i в feed_list — tf.Tensor, то i-й аргумент возвращаемого вызываемого объекта 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 для подачи.

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

partial_run

Просмотреть исходный код

partial_run(
    handle, fetches, feed_dict=None
)

Продолжает выполнение с дополнительными значениями и элементами для извлечения.

ЭКСПЕРИМЕНТАЛЬНАЯ функция, может быть изменена.

Для использования частичного выполнения пользователь сначала вызывает partial_run_setup(), а затем последовательность partial_run(). partial_run_setup определяет список значений для подачи и элементов для извлечения, 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 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 фидами и получениями для частичного выполнения.

ЭТО ЭКСПЕРИМЕНТАЛЬНО и может быть изменено.

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

reset

Просмотреть исходный код

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

Сбрасывает контейнеры ресурсов на target, и закрывает все подключенные сессии.

Контейнер ресурсов распределяется по всем рабочим узлам в том же кластере, что и target. Когда контейнер ресурсов на target сбрасывается, ресурсы, связанные с этим контейнером, будут очищены. В частности, все переменные в контейнере станут неопределёнными: они теряют свои значения и формы.

ПРИМЕЧАНИЕ:

(i) reset() в настоящее время реализован только для распределенных сессий. (ii) Все сессии на главном узле, имеющие имя, указанное в target, будут закрыты.

Если контейнеры ресурсов не указаны, все контейнеры сбрасываются.

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" вычислений TensorFlow, выполняя необходимый фрагмент графа для выполнения каждой Operation и вычисления каждого Tensor в fetches, подставляя значения в feed_dict соответствующим входным значениям.

Аргумент fetches может быть одним элементом графа или произвольно вложенным списком, кортежем, namedtuple, словарем или OrderedDict, содержащим элементы графа в качестве листьев. Элемент графа может быть одного из следующих типов:

• Операция tf.Operation. Соответствующее значение, возвращаемое, 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 такую же форму, как 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 значения тензоров в графе. Каждый ключ в feed_dict может быть одного из следующих типов:

• Если ключ является tf.Tensor, значение может быть скаляром Python, строкой, списком или массивом numpy, которые можно преобразовать в тот же тип dtype что и этот тензор. Кроме того, если ключ является tf.compat.v1.placeholder, форма значения будет проверена на совместимость с этим местодержателем.
• Если ключ является tf.sparse.SparseTensor, значение должно быть tf.compat.v1.SparseTensorValue.
• Если ключ является вложенным кортежем Tensor или SparseTensor, значение должно быть вложенным кортежем с такой же структурой, которая отображает соответствие значениям, как описано выше.

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

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

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

__enter__

Просмотреть исходный код

__enter__()

__exit__

Просмотреть исходный код

__exit__(
    exec_type, exec_value, exec_tb
)