sess.run()

article/2025/9/26 19:05:36

函数：run(fetches, feed_dict=None, options=None, run_metadata=None)

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。

为了取回（Fetch）操作的输出内容, 可以在使用 Session 对象的 run()调用执行图时，传入一些 tensor, 这些 tensor 会帮助你取回结果。

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.runprint(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():

    X = tf.placeholder(dtype=tf.float32, shape=([50,93]))
    Y = tf.placeholder(dtype=tf.int32, shape=([50]))
    Z = tf.placeholder(dtype=tf.int32, shape=([50]))

...

return features, labels, indexs

features, labels, indexs = 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

假如features, labels, indexs = input_fn()，input_fn()函数每执行一次，就生成一个batch的数据，那么这种sess.run([features, labels, indexs])每每执行一次就会更新一个batch的数据

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