tensorFlow中的session和graph

前言:

学习用FTensorFlow搭建NN框架以来,一直习惯逐层叠加的方式。 最近在做udacity的作业的时候,发现一种新的语句tf.Graph().as_default()。该文尝试分析两者的关系

tf.Session()

tf.Session()使我们初学者的最多的构建TensorFlow的graph然后执行的方式如:

input = tf.placeholder(tf.float32, shape=(None,1024, 1024))
output = tf.nn.conv2d(input, filter, strides, padding)
output = tf.nn.relu(output)
.......

#按照网络结构,一层一层的叠加上去, 最后使用```sess.run()```执行.
with tf.Session() as sess:
  sess.run(....)
  ......
  print(...)
# Close the Session when we're done.
sess.close()

释放Tensorflow暂用内存:sess.close()

对于一个session,tf会一直hold所占用的内存,DL的input一般都非常大,所以在进行完一次实验之后,尤其是interactive模式中,务必要把session关闭,再进行下一次实验,否则内存很有可能会爆掉。
之前在AWS运行完一个graph,然后打开另一个graph运行的时候,一直OMM错误。无奈每次都要stop一个instance然后重新start。后来才知道sess.close()这一释放内存的神奇命令,就方便多了。

tf.Graph()

Tensorflow是基于Graph计算的,我们用上面的一层层叠加的方式建立起来的网络,全部构建在tf的默认graph中,可以通过g= tf.get_default_graph()获得其句柄,可以对比下面两句的输出结果:

c = tf.constant(4.0)
print(c.graph) 
print(tf.get_default_graph())

如果需要显示声明graph,可以使用tf.Graph().as_default() 来进行显式graph声明一个default graph:

with tf.Graph().as_default() as g:
  c = tf.constant(5.0)
  print(c.graph) 
  print(g)

这里tf.Graph().as_default() 是一个上下文管理器(context manager),它能够在这个上下文里面覆盖默认的图。

import tensorflow as tf
import numpy as np

c=tf.constant(value=1)
#print(assert c.graph is tf.get_default_graph())
print(c.graph)
print(tf.get_default_graph())

g=tf.Graph()
print("g:",g)
with g.as_default():
    d=tf.constant(value=2)
    print(d.graph)
    #print(g)

g2=tf.Graph()
print("g2:",g2)
g2.as_default()
e=tf.constant(value=15)
print(e.graph)

我们发现,通过g=tf.Graph()用来创建一个Graph并获得句柄g。当我们需要在这个新创建的Graph中建立、添加或修改结构的时候,需要先用g.as_default()将其设置为当前(默认)Graph, 如:

# Create the graph object
graph = tf.Graph()
# Add nodes to the graph
with graph.as_default()
      inputs_ = tf.placeholder(tf.int32, [None, None], name='inputs')
      labels_ = tf.placeholder(tf.int32, [None, None], name='labels')
      keep_prob = tf.placeholder(tf.float32, name='keep_prob')
  ...

Why????

这么做有一个好处,我们可以将一个巨大的复杂的网络分割成多个小的网络,每个网络对应一个graph,如经典的Faster RCNN结构,大概可以分为features network (标准的CNN结构,负责特征学习,如VGG16, Resnet),RPN(region proposal network)和最终负责classification以及bounding box regression的task network。其训练过程是迭代的方式:每次只有一个被训练,其它的freeze。这时候我们只需要获取它对应的graph,并用sess执行即可:

with tf.Session(graph=graph) as sess:
    sess.run()

每一个部分都能单独控制,非常方便。如果向我们之前所有的东西都堆叠在一个graph(默认)中,我们就需要写额外的代码控制哪个阶段,哪些网络层会被训练到,哪些没有,复杂而容易出错。另外,我们也可以对任意一个graph进行修改,即使出错也容易定位到。

希望本文对您有所帮助,如果错误欢迎讨论指出。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,657评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,662评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,143评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,732评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,837评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,036评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,126评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,868评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,315评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,641评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,773评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,859评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,584评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,676评论 2 351

推荐阅读更多精彩内容