1.5 核心概念：图 (Graph) 与会话 (Session)

1.5 核心概念：图 (Graph) 与会话 (Session) (TensorFlow 1.x 核心，2.x 弱化)

TensorFlow 1.x 核心概念：图 (Graph) 与会话 (Session)

在 TensorFlow 1.x 中，图 (Graph) 和会话 (Session) 是理解和使用 TensorFlow 的两个核心概念。它们共同定义了 TensorFlow 的计算模型，理解它们对于编写高效的 TensorFlow 代码至关重要。虽然 TensorFlow 2.x 弱化了这两个概念，但在理解 TensorFlow 的历史和底层机制方面，它们仍然具有重要的意义。

1. 图 (Graph)：计算的蓝图

1.1 概念

图 (Graph) 是 TensorFlow 中计算的蓝图。它定义了计算的结构，但不执行实际的计算。可以将图想象成一个有向图，其中：

• 节点 (Nodes)：表示操作 (Operations)，例如加法、乘法、矩阵运算等。

• 边 (Edges)：表示数据流 (Data Flow)，数据 (Tensor) 在节点之间流动。

1.2 构建图

在 TensorFlow 1.x 中，你需要显式地构建图。以下是一个简单的例子：

import tensorflow as tf
# 创建一个图
graph = tf.Graph()
with graph.as_default():
    # 定义常量
    a = tf.constant(2.0, name="a")
    b = tf.constant(3.0, name="b")
    # 定义操作
    c = tf.add(a, b, name="c")
    # 定义变量
    x = tf.Variable(10.0, name="x")
    y = tf.multiply(x, c, name="y")
    # 初始化变量
    init = tf.global_variables_initializer()
print(c)
​

在这个例子中：

• 我们首先创建了一个 tf.Graph 对象。

• 然后，使用 with graph.as_default(): 将这个图设置为默认图。这意味着在这个 with 块中定义的所有 TensorFlow 操作都会添加到这个图中。

• 我们定义了两个常量 a 和 b，以及一个加法操作 c。

• 我们也定义了变量x和y，以及变量初始化操作init。

• 注意: print(c) 只是打印出 Tensor("c:0", shape=(), dtype=float32)，并没有实际计算 c 的值。它只是一个 TensorFlow 张量的符号表示。

1.3 图的可视化

TensorFlow 提供了 TensorBoard 工具，可以可视化图的结构。你可以将图写入 TensorBoard 的日志文件，然后在 TensorBoard 中查看。

# 添加 summary，用于 TensorBoard 可视化
writer = tf.summary.FileWriter('./graphs', graph=graph)
writer.close()
​

然后在命令行中运行 tensorboard --logdir ./graphs，并在浏览器中打开 TensorBoard 查看图的结构。

1.4 图的优点

• 优化： 图允许 TensorFlow 优化计算过程，例如通过合并操作、并行执行等。

• 分布式计算： 图可以方便地在多个设备 (CPU、GPU) 上进行分布式计算。

• 可移植性： 图可以保存到磁盘，并在不同的环境中加载和执行。

2. 会话 (Session)：执行计算

2.1 概念

会话 (Session) 是 TensorFlow 中执行图计算的环境。它将图加载到内存中，并提供执行操作的接口。

2.2 创建和运行会话

import tensorflow as tf
# 创建一个图
graph = tf.Graph()
with graph.as_default():
    # 定义常量
    a = tf.constant(2.0, name="a")
    b = tf.constant(3.0, name="b")
    # 定义操作
    c = tf.add(a, b, name="c")
    # 定义变量
    x = tf.Variable(10.0, name="x")
    y = tf.multiply(x, c, name="y")
    # 初始化变量
    init = tf.global_variables_initializer()
# 创建一个会话
with tf.Session(graph=graph) as sess:
    # 初始化变量
    sess.run(init)
    # 运行操作
    result = sess.run(y)
    print(result)  # 输出 50.0
​

在这个例子中：

• 我们首先创建了一个 tf.Session 对象，并将之前定义的图 graph 传递给它。

• 然后，使用 with tf.Session(graph=graph) as sess: 创建一个会话上下文。

• 我们使用 sess.run(init) 初始化了图中的所有变量。

• 我们使用 sess.run(y) 运行了 y 操作，并将结果赋值给 result。

• 最后，我们打印了 result 的值，得到了 50.0。

2.3 会话的生命周期

会话需要在完成计算后关闭，以释放资源。可以使用 with 语句来自动管理会话的生命周期，或者手动调用 sess.close()。

2.4 会话的配置

可以通过 tf.ConfigProto 对象来配置会话，例如指定使用的设备、设置内存分配策略等。

config = tf.ConfigProto()
config.gpu_options.allow_growth = True  # 允许 GPU 内存动态增长
with tf.Session(graph=graph, config=config) as sess:
    # ...
​

3. 图与会话的交互

图定义了计算的结构，而会话负责执行计算。图可以被多个会话使用，不同的会话可以运行图的不同部分。

import tensorflow as tf
# 创建一个图
graph = tf.Graph()
with graph.as_default():
    # 定义占位符
    x = tf.placeholder(tf.float32, name="x")
    y = tf.placeholder(tf.float32, name="y")
    # 定义操作
    z = tf.add(x, y, name="z")
# 创建两个会话
sess1 = tf.Session(graph=graph)
sess2 = tf.Session(graph=graph)
# 在 sess1 中运行 z 操作
result1 = sess1.run(z, feed_dict={x: 2.0, y: 3.0})
print("Session 1 result:", result1)  # 输出 Session 1 result: 5.0
# 在 sess2 中运行 z 操作，使用不同的输入值
result2 = sess2.run(z, feed_dict={x: 5.0, y: 7.0})
print("Session 2 result:", result2)  # 输出 Session 2 result: 12.0
# 关闭会话
sess1.close()
sess2.close()
​

在这个例子中：

• 我们定义了一个包含占位符 x 和 y 的图，以及一个加法操作 z。

• 我们创建了两个会话 sess1 和 sess2，它们都使用同一个图。

• 我们分别在 sess1 和 sess2 中运行了 z 操作，并使用 feed_dict 传递了不同的输入值。

• 结果表明，不同的会话可以独立地运行同一个图，并得到不同的结果。

4. TensorFlow 2.x 的变化

在 TensorFlow 2.x 中，图和会话的概念被弱化。TensorFlow 2.x 采用 Eager Execution 模式，这意味着操作会立即执行，而不需要先构建图，再通过会话来运行。这使得 TensorFlow 的编程更加直观和易于调试。

虽然 TensorFlow 2.x 弱化了图和会话的概念，但在底层仍然使用了图来优化计算。可以使用 tf.function 装饰器将 Python 函数转换为 TensorFlow 图，从而获得性能上的提升。

5. Mermaid 图示

以下是一个使用 Mermaid 语法绘制的简单 TensorFlow 图的示例：

这个图描述了以下计算过程：

1. 常量 2.0 和 3.0 相加，得到结果 C。

2. 变量 10.0 和 C 相乘，得到最终结果 F。

6. 总结

在 TensorFlow 1.x 中，图和会话是理解和使用 TensorFlow 的两个核心概念。图定义了计算的结构，而会话负责执行计算。虽然 TensorFlow 2.x 弱化了这两个概念，但在理解 TensorFlow 的历史和底层机制方面，它们仍然具有重要的意义。理解图和会话的概念可以帮助你更好地理解 TensorFlow 的工作原理，并编写更高效的 TensorFlow 代码。