2.3 会话的实现

TensorFlow中使用会话（session）来执行定义好的运算，会话拥有并管理TensorFlow程序运行时的所有资源，当计算完成之后需要关闭会话，以帮助系统回收资源。

可以明确调用会话生成函数和关闭函数：

运行程序，输出如下：

[3.5.]

如果程序在执行中异常退出，可能不能关闭会话，所以可以使用Python上下文管理器的机制将所有的计算放在“with”的内部，在代码块中执行时就可以保持在某种运行状态，而当离开该代码块时就结束当前状态，省去会话关闭代码：

TensorFlow 不会自动生成默认的会话，需要程序员将会话指定为默认会话，则TensorFlow执行时会自动启用此会话：

在使用Python编写时，可以使用函数直接构建默认会话：

会话可以通过ConfigProto Protocol Buffer来进行功能配置，类似于并行的线程数、GPU分配策略、运算超过时间等参数设置。比较常用的是以下两个：

第一个allow_soft_placement参数，当其为True时，在以下任意一个条件成立时，GPU上的运算可以放到CPU上计算：

● 运算不能在GPU上运行。

● 没有空闲GPU可使用。

● 运算输入包含对CPU计算结果的引用。

当设置为True时，代码的可移植性更强。

第二个log_device_placement参数，当其为True时，日志中将会记录每个节点被安排在了哪个设备上，但会增加日志量。

如果上述代码在没有GPU的机器上运行，会获得以下输出：

Device mapping:no known devices.

下面通过一个例子来演示张量、计算图及会话的相关操作。

【例2-1】 张量、计算图及会话的相关操作。

import tensorflow as tf