02_01Graph_Session


import numpy as np
import tensorflow as tf
np.random.seed(42)
"""
学习：
1、图的创建
2、tf.constant()  tf.add使用
3、tf.Session() 和 tf.Session().run() 方法的使用  
"""

def create_graph1():
    # 先构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(value=5.0, dtype=tf.float32, shape=None, name='a')
    b = tf.constant(value=8.0)

    # 2、用op add对上述两个常量分别加一个随机数
    v1 = tf.add(x=a, y=np.random.random_sample(), name='v1')
    v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

    # 3、使用tf.multiply进行2个tensor相乘。
    rezult = tf.multiply(v1, v2)
    print(a, b, v1, v2, rezult)

def create_graph2():
    """
    使用 +  * 来代替 tf.add 和 tf.multiply
    :return:
    """
    # 先构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(value=5.0, dtype=tf.float32, shape=None, name='a')
    b = tf.constant(value=8.0)

    # 2、用op add对上述两个常量分别加一个随机数
    v1 = a + np.random.random_sample()
    v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

    # 3、使用tf.multiply进行2个tensor相乘。
    rezult = v1 * v2
    # rezult = tf.multiply(v1, v2)
    print(a, b, v1, v2, rezult)

def create_graph3():
    # 先构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(
        value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
    )
    b = tf.constant(
        value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
    )

    # 2、用op add对上述两个常量分别加一个随机数
    v1 = a + np.random.random_sample()
    v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

    # 3、使用2个tensor矩阵相乘。
    rezult = tf.matmul(v1, v2)
    print(a, b, v1, v2, rezult)

def create_graph4():
    """
    学习不能跨图操作。
    :return:
    """
    # 先构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(
        value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
    )
    b = tf.constant(
        value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
    )

    with tf.Graph().as_default():
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        rezult = tf.matmul(v1, v2)
    print(a, b, v1, v2, rezult)

# fixme 执行会话，获取结果。

def create_graph_do_session():
    with tf.Graph().as_default():
        # 一、构建模型图
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 1、定义2个原始的输入的tensor对象
        a = tf.constant(
            value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
        )
        b = tf.constant(
            value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
        )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        sess = tf.Session()
        """
        tf.Session().run(self, 
            fetches,          给定具体获取哪些tensor的值，可以是1个，也可以是多个，给定多个tensor值，模型图只运行1次
            feed_dict=None,   如果模型图中需要通过占位符传入数据，那么通过这个参数给定。
            options=None, run_metadata=None)
        """
        # print(sess.run(a))
        # print(sess.run(b))
        # print(sess.run(rezult))
        # print(sess.run(v2))
        _, _, _, v2_1, rezult_, v2_2 = sess.run([a, b, v1, v2, rezult, v2])
        print(v2_1, rezult_, v2_2)
        print(sess.run(v2))
        sess.close()

def create_graph_do_session1():
    # 一、构建模型图
    #print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    with tf.Graph().as_default():
        # 1、定义2个原始的输入的tensor对象
        a = tf.constant(
            value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
        )
        b = tf.constant(
            value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
        )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        sess = tf.Session()
        """
        tf.Session().run(self, 
            fetches,          给定具体获取哪些tensor的值，可以是1个，也可以是多个，给定多个tensor值，模型图只运行1次
            feed_dict=None,   如果模型图中需要通过占位符传入数据，那么通过这个参数给定。
            options=None, run_metadata=None)
        """
        # print(sess.run(a))
        # print(sess.run(b))
        # print(sess.run(rezult))
        # print(sess.run(v2))
        _, _, _, v2_1, rezult_, v2_2 = sess.run(fetches=[a, b, v1, v2, rezult, v2])
        print(v2_1, rezult_, v2_2)
        print(sess.run(fetches=v2))
        sess.close()

create_graph_do_session1()
def create_graph_do_session2():
    # todo 演示关闭了会话后，再次调用会话会报错
    # 一、构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(
        value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
    )
    b = tf.constant(
        value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
    )

    # 2、用op add对上述两个常量分别加一个随机数
    v1 = a + np.random.random_sample()
    v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

    # 3、使用2个tensor矩阵相乘。
    rezult = tf.matmul(v1, v2)

    # 二、构建会话
    sess = tf.Session()
    _, _, _, v2_1, rezult_, v2_2 = sess.run(fetches=[a, b, v1, v2, rezult, v2])
    # print(v2_1, rezult_, v2_2)
    sess.close()
    # RuntimeError: Attempted to use a closed Session.
    print(sess.run(fetches=v2))

def create_graph_do_session3():
    # todo 第二种执行会话的方式
    with tf.Graph().as_default():
        # 一、构建模型图
        print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
        # 1、定义2个原始的输入的tensor对象
        a = tf.constant(
            value=[1,2,3,4,5,6,3,4,3,45,5], dtype=tf.float32, shape=[3, 5], name='a'
        )
        b = tf.constant(
            value=[3,3,3,3,3,3234,56,324,3,5], dtype=tf.float32, shape=[5, 3]
        )

        # 2、用op add对上述两个常量分别加一个随机数
        v1 = a + np.random.random_sample()
        v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

        # 3、使用2个tensor矩阵相乘。
        rezult = tf.matmul(v1, v2)
        print(a, b, v1, v2, rezult)

        # 二、构建会话
        # sess = tf.Session()
        # print(rezult.eval(session=sess))
        # print(v2.eval(session=sess))
        # sess.close()

        with tf.Session() as sess:
            rezult_ = sess.run(rezult)

            print(rezult.eval())
            print(v2.eval())

def create_graph_do_interactive_session():
    # todo 交互式会话 执行的方式
    # 一、构建模型图
    print('当前模型的默认图是:{}'.format(tf.get_default_graph()))
    # 1、定义2个原始的输入的tensor对象
    a = tf.constant(
        value=[1, 2, 3, 4, 5, 6, 3, 4, 3, 45, 5], dtype=tf.float32, shape=[3, 5], name='a'
    )
    b = tf.constant(
        value=[3, 3, 3, 3, 3, 3234, 56, 324, 3, 5], dtype=tf.float32, shape=[5, 3]
    )

    # 2、用op add对上述两个常量分别加一个随机数
    v1 = a + np.random.random_sample()
    v2 = tf.add(b, tf.random_normal(shape=[], dtype=tf.float32, seed=43))

    # 3、使用2个tensor矩阵相乘。
    rezult = tf.matmul(v1, v2)
    print(a, b, v1, v2, rezult)

    # 二、构建交互式会话
    sess = tf.InteractiveSession()
    print(sess.run([v2, v2, rezult]))
    print(rezult.eval())
    print(v2.eval())
    print('当前的默认会话:{}'.format(tf.get_default_session()))

# 总结。用tf实际写代码的一般结构。
# 一、构建模型图
# with tf.Graph().as_default():
#     # 1、基于你的业务知识构建模型图。
#
#     # 二、执行会话
#     with tf.Session() as sess:
#         sess.run(tf.global_variables_initializer())
#         # a 、加载数据（features 和 targets）
#         # b 、跑图
#         sess.run()
#         # c 、进行模型损失和准确率的查看。
#         # d 、模型持久化

#
# if __name__ == '__main__':
#     # create_graph4()
#     # create_graph_do_session3()
#     create_graph_do_interactive_session()

02_01Graph_Session的更多相关文章

随机推荐

MySQL Hardware--FIO压测
FIO参数 .txt 支持文件系统或者裸设备,-filename=/dev/sda2或-filename=/dev/sdb direct= 测试过程绕过机器自带的buffer,使测试结果更真实 rw= ...
MQTT的websockets应用_转
转自:mosquitto 与websocket 的结合前言 mosquitto 作为一个消息代理, 客户端与 mosquitto 服务端的通信时基于 MQTT 协议的, 而现在的主流 web 应用时 ...
C++（三十九） — 主函数中增加调试信息
程序调试技术: (1)阅读程序,静态代码复查: (2)“cout大法” (3)使用开发工具,断点 int main() { TShape s(lu, lu); cout << __ ...
本地安装部署Jira
https://blog.csdn.net/u013492736/article/details/83315650 1. 首先在官网下自行搭建服务器的版本,有适合于windows的,也有linux版本 ...
linux 查看目录的剩余空间大小
两个命令df .du结合比较直观 df -h 查看整台服务器的硬盘使用情况 cd / 进入根目录 du ...
suse双网卡绑定
这里使用两张网卡eth1.eth2进行编辑/etc/sysconfig/network/ifcfg-bond0文件(此文件没有需要创建) device='bond0' BOOTPROTO='stat ...
个性化排序算法实践(五)——DCN算法
wide&deep在个性化排序算法中是影响力比较大的工作了.wide部分是手动特征交叉(负责memorization),deep部分利用mlp来实现高阶特征交叉(负责generalizatio ...
yarn cluster和yarn client模式区别——yarn-cluster适用于生产环境，结果存HDFS；而yarn-client适用于交互和调试，也就是希望快速地看到application的输出
Yarn-cluster VS Yarn-client 从广义上讲,yarn-cluster适用于生产环境:而yarn-client适用于交互和调试,也就是希望快速地看到application的输出. ...
Spring -07 -AOP [面向切面编程] - 使用注解@+ AspectJ 方式实现环绕/前/后等通知 -超简洁 --静态代理/动态代理{JDK/cglib}
1.spring 不会自动去寻找注解,必须告诉 spring 哪些包下的类中可能有注解;使用注解来取代配置文件.1.1 引入xmlns:context ,指定扫描范围 <context:comp ...
java架构
技术架构是以Spring Framework为核心容器,Spring MVC为模型视图控制器,MyBatis作为数据访问层, Apache Shiro为权限授权层,使用Ehcahe对常用数据进行缓存. ...

02_01Graph_Session

02_01Graph_Session的更多相关文章

随机推荐

热门专题