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

go语言 goquery爬虫
goquery 类似ruby的gem nokogiri goquery的选择器功能很强大,很好用.地址:https://github.com/PuerkitoBio/goquery 这是一个糗百首 ...
laravel——表操作集成操作
背景:通过判断不同的请求参数,返回不同的需要的数据一.准备工作: 数据库新建一个表 DROP TABLE IF EXISTS `tb_category2`; CREATE TABLE IF NOT ...
安装opencv出现的问题
ImportError: DLL load failed***** 1,pip uninstall opencv-python 卸载2,pip install opencv-contrib-pytho ...
windows nginx
nginx.exe -s stop stop是快速停止nginx,可能并不保存相关信息: nginx.exe -s quit quit是完整有序的停止nginx,并保存相关信息. nginx.exe ...
IDEA中看Flink 1.9源码时报Sources not found for: org.apache.flink:flink-shaded-hadoop-2:2.4.1-7.0
1.场景在阅读Flink 1.9源码时,个别类如YarnClientImpl.java只能查看.class文件,想查看对应的.java source文件,点击Download source时,报So ...
python在运行时终止执行 sys.exit
使用sys.exit 或者exit,quit均可以退出执行 # 程序执行中,需要时停止执行 import sys if __name__ == '__main__': for ii in range( ...
Flask-session，WTForms,POOL，Websocket通讯原理 -握手，加密解密过程
1.Flask-session Flask中的session 需要执行 session_interface - open_session存储到redis中,存的key:session:d3f07db2 ...
C#屏蔽Alt+F4组合键
在开发的软件不希望用户关闭的情况下,或者我们不想用户回到桌面,这时候我们就需要屏蔽windows键,或者Alt + F4 键等. //1.将窗体的属性KeyPrieview设置为true //keyp ...
1211 BBS后台管理文章添加
目录昨日内容回顾侧边栏inclusion_tag inclusion_tag的响应使用自定义inclusion_tag,标签,过滤器文章的点赞点踩前端后端校验规则文章的评论功能 1. ...
《Exception团队》第七次作业：团队项目设计完善&编码
一.项目基本介绍项目内容这个作业属于哪个课程任课教师博客主页链接这个作业的要求在哪里作业链接地址团队名称 Exception 作业学习目标 1.掌握软件编码实现的工程要求作业任务 1. ...

02_01Graph_Session

02_01Graph_Session的更多相关文章

随机推荐

热门专题