sess.run() | 易学教程

函数：

当构建完图后，需要在一个session会话中启动图，第一步是创建一个Session对象。

在python语言中，返回的tensor是numpy ndarray对象。

 import tensorflow as tf   #创建一个变量。在默认的图中创建节点，这个节点是一个变量，命名为“counter” state = tf.Variable(0, name="counter")   #创建一个常量 one = tf.constant(1)   #创建一个op。对常量与变量进行简单的加法操作，这点需要说明的是： 在TensoorFlow中， #所有的操作op和变量都视为节点，tf.add() 的意思就是在tf的默认图中添加一个op，这个op是用来做加法操作的。 new_value = tf.add(state,one)   #赋值操作。将new_value的值赋值给update变量 update = tf.assign(state,new_value)   #此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。如果有Variable，一定需要写这句话 init = tf.initialize_all_variables()   #启动图，运行op with tf.Session() as sess:     #对变量进行初始化，真正的赋值操作     sess.run(init)     #循环3次，并且打印输出。     for _ in range(3):         sess.run(update)         # 打印变量时也需要用sess.run         print(sess.run(state))

1.执行sess.run()时，tensorflow是否计算了整个图

我们在编写代码的时候，总是要先定义好整个图，然后才调用sess.run()。那么调用sess.run()的时候，程序是否执行了整个图

 import tensorflow as tf state = tf.Variable(0.0,dtype=tf.float32) one = tf.constant(1.0,dtype=tf.float32) new_val = tf.add(state, one) update = tf.assign(state, new_val) #返回tensor， 值为new_val update2 = tf.assign(state, 10000)  #没有fetch，便没有执行 init = tf.initialize_all_variables() with tf.Session() as sess:     sess.run(init)     for _ in range(3):         print sess.run(update)

我们仅仅是fetch “update”,输出是1.0 , 2.0, 3.0,可以看出，tensorflow并没有计算整个图，只是计算了与想要fetch 的值相关的部分。

2.sess.run() 中的feed_dict

features_, labels_, indexs_ = sess.run([features, labels, indexs])

feed_dict参数的作用是替换图中的某个tensor的值或设置graph的输入值。

(1)是否需要进行传参feed_dict

需要看features, labels, indexs这3个变量的产生是否存在于“一个需要传参的函数中”，如果产生features, labels, indexs这3个变量的函数的形式像下面这样

def xxx():

那么这时候features_, labels_, indexs_ = sess.run([features, labels, indexs])，就需要写成下面这样

features_, labels_, indexs_ = sess.run([features, labels, indexs], feed_dict={X:features_, Y:labels_, Z:indexs_})

并且要注意feed_dict不接受tensor格式的数据，所以features_需要是普通格式，比如numpy，但是传参进去后，会自动进行类型的转化，在xxx()函数中，他们就变成tensor格式

(2)是否执行一次sess.run函数，代码里的“数据迭代生成器”就会更新一次batch

那要取决于sess.run函数里面的参数是否与“数据迭代生成器”有关

举个反面的例子，也就是即使执行了2000次sess.run()，也不会更新batch的数据

pred_new_2 = sess.run([pred_new_1], feed_dict={X:features_, Y:labels_, Z:indexs_})。这里pred_new_1的产生函数就必须要传进来3个参数，所以有feed_dict传参

当前pred_new_1并不是和“数据迭代生成器”有关，而是另外一个函数的返回结果，那么就符合我的举例

(3)sess.run()可以将tensor格式转成numpy格式

可以用来很方便的将一些tensor格式的数据，进行数据具体内容查看，也就是将tensor格式转成numpy格式，上面的所有例子都是这种作用

(4)feed 只在调用它的方法内有效
我们都知道feed_dict的作用是给使用placeholder创建出来的tensor赋值。其实，他的作用更加广泛：feed 使用一个值临时替换一个 op 的输出结果. 你可以提供 feed 数据作为 run() 调用的参数. feed 只在调用它的方法内有效, 方法结束, feed 就会消失。

 import tensorflow as tf y = tf.Variable(1) b = tf.identity(y) with tf.Session() as sess:     tf.global_variables_initializer().run()     print(sess.run(b,feed_dict={y:3})) #使用3 替换掉     #tf.Variable(1)的输出结果，所以打印出来3      #feed_dict{y.name:3} 和上面写法等价      print(sess.run(b))  #由于feed只在调用他的方法范围内有效，所以这个打印的结果是 1