文章目录1. 课前导读1.1 本节课学习目标1.2 知识重难点1.3 学习前置条件1.4 学完可掌握能力1.5 行业应用场景2. 核心理论精讲2.1 会话Session的核心职责2.2 惰性执行Lazy Execution2.3 Session.run() 核心参数2.4 会话配置ConfigProto2.5 从1.x到2.x会话的退役3. 环境搭建与工具配置4. 代码实战教学4.1 基本Session使用1.x风格4.2 变量初始化与feed_dict4.3 Session配置示例4.4 获取多个fetches4.5 InteractiveSession 便捷方式4.6 PartialRun部分执行4.7 在2.x中使用tf.function模拟Session的惰性执行5. 案例实操演练5.1 原始1.x代码线性回归5.2 在2.x环境中以兼容模式运行5.3 对比2.x原生实现无Session6. 常见坑点与排错总结6.1 Session生命周期坑点6.2 feed_dict与placeholder6.3 分布式会话配置6.4 与Eager模式的冲突6.5 性能误区7. 知识点总结 课后作业7.1 核心知识点梳理7.2 基础作业7.3 进阶实操作业7.4 思考拓展题《TensorFlow2.x: 深度学习入门到高阶实战教程》系列课程导航1. 课前导读1.1 本节课学习目标理解TensorFlow 1.x中会话Session的核心职责图执行、变量初始化、资源回收。掌握tf.Session的创建、配置、运行和关闭的正确流程。区分tf.InteractiveSession与常规会话的区别。理解惰性执行的概念构建图并不执行只有运行Session才触发计算。学习在TensorFlow 2.x中如何通过tf.compat.v1模块调用Session并了解2.x的即时执行如何替代Session。掌握tf.function底层图执行与资源管理的原理理解其与会话的异同。1.2 知识重难点类别内容重点tf.Session.run()的参数fetches, feed_dicttf.global_variables_initializer()ConfigProto配置GPU选项、日志难点分布式会话与tf.train.MonitoredTrainingSessiontf.function隐式图执行与会话的资源管理对比feed_dict 与 tf.placeholder 的替代方案易混淆点Session关闭后的再次使用InteractiveSession与Session的默认图设置PartialRun与多次run的区别1.3 学习前置条件已完成第8课计算图的学习理解图的概念。了解TensorFlow 1.x的基本代码风格可选本课会讲解。具备Python上下文管理器with的知识。1.4 学完可掌握能力能够阅读和迁移TensorFlow 1.x遗留代码理解其中的Session操作。在2.x中利用tf.compat.v1.Session进行兼容性调试或特殊场景如显式资源控制。深入理解tf.function的执行性能调优包括资源复用和内存回收。诊断并解决与Session生命周期相关的运行时错误。1.5 行业应用场景遗留系统维护大量生产环境模型仍基于TensorFlow 1.x需要理解Session机制以进行调试和优化。资源受限部署使用Session可以精确控制GPU内存分配和回收适合边缘设备。高级性能调优使用PartialRun实现交叉输入的计算优化。分布式训练MonitoredSession配合tf.train.ClusterSpec管理多节点会话。2. 核心理论精讲2.1 会话Session的核心职责在TensorFlow 1.x中计算图Graph仅定义了操作和依赖关系并不执行。Session负责内存分配为图中的变量和张量分配内存CPU/GPU。操作调度根据设备分配和依赖关系按拓扑顺序执行节点。结果返回将fetches指定的输出张量值返回给Python客户端。资源回收会话结束时释放占用的系统资源。一个典型的1.x程序结构构建图创建tf.Graph或默认图添加操作和变量。创建tf.Session可指定config、target分布式。初始化变量调用tf.global_variables_initializer().run()。执行训练多次调用session.run(train_op, feed_dict)。关闭会话session.close()或使用上下文管理器。2.2 惰性执行Lazy Execution惰性执行是指定义操作时不立即计算只有通过Session.run()时才执行。这带来以下特性图优化在运行前可进行算子融合、常量折叠。延迟执行多次run可以复用同一张图避免重复定义。灵活输入通过feed_dict在运行时注入数据对应tf.placeholder。相比于2.x的即时执行惰性执行的优势在于性能优化和分布式部署缺点在于调试困难和代码冗长。2.3Session.run()核心参数fetches可以是操作Operation或张量Tensor用于指定需要执行并返回的节点。支持列表、字典、元组等嵌套结构。feed_dict将tf.placeholder张量映射到具体的数值Numpy数组或张量用于输入数据。options / run_metadata高级选项用于性能分析。run()会阻塞直到结果计算完成并返回与fetches结构一致的结果。2.4 会话配置ConfigPrototf.ConfigProto用于配置会话行为常见选项allow_soft_placement当指定设备不存在时自动放到可用设备。log_device_placement打印设备分配日志。gpu_options.allow_growthGPU内存按需增长而非一次性占用全部。gpu_options.per_process_gpu_memory_fraction限制GPU内存使用比例。intra_op_parallelism_threads/inter_op_parallelism_threads控制线程池大小。2.5 从1.x到2.x会话的退役TensorFlow 2.x默认采用即时执行不再需要Session。但为了兼容性tf.compat.v1.Session提供了几乎相同的API。同时2.x的tf.function将Python函数转换为图执行时内部隐式管理类似会话的资源但用户无需显式创建和关闭。对比概念TensorFlow 1.xTensorFlow 2.x执行入口Session.run()直接调用张量运算或函数数据输入feed_dict placeholder直接传入张量或Python数值变量初始化tf.global_variables_initializer()变量创建时立即初始化资源管理需手动close()或with块自动管理无需干预3. 环境搭建与工具配置本课需要在TensorFlow 2.x环境中演示兼容1.x的Session用法同时也可选择安装TensorFlow 1.15进行对比可选。我们使用2.13版本并导入tf.compat.v1。conda activate tf213 python确认导入importtensorflowastf tf.compat.v1.disable_eager_execution()# 可切换到1.x行为可选本课会讲但通常我们保留Eager模式然后通过tf.compat.v1.Session局部使用。4. 代码实战教学4.1 基本Session使用1.x风格importtensorflowastf# 为了演示清晰我们临时切换到v1 API风格但仅在特定代码块# 注意不要全局disable_eager以免影响其他代码# 方法1使用tf.compat.v1 APIwithtf.compat.v1.Session()assess:# 定义常量atf.constant(3.0)btf.constant(4.0)cab# 执行并获取结果resultsess.run(c)print(c ,result)# 7.04.2 变量初始化与feed_dict# 使用placeholder作为输入withtf.compat.v1.Session()assess:xtf.compat.v1.placeholder(tf.float32,shape(2,),namex)ytf.compat.v1.placeholder(tf.float32,shape(2,),namey)zxy# 运行需要feed_dict提供具体数值resultsess.run(z,feed_dict{x:[1.0,2.0],y:[3.0,4.0]})print(z ,result)# [4.0, 6.0]# 变量需要初始化wtf.Variable(tf.ones((2,)),namew)# 初始化操作init_optf.compat.v1.global_variables_initializer()sess.run(init_op)print(w ,sess.run(w))4.3 Session配置示例# 配置GPU内存增长configtf.compat.v1.ConfigProto()config.gpu_options.allow_growthTrueconfig.log_device_placementFalse# 是否打印设备分配withtf.compat.v1.Session(configconfig)assess:atf.constant([1,2,3])btf.constant([4,5,6])cabprint(sess.run(c))4.4 获取多个fetcheswithtf.compat.v1.Session()assess:xtf.constant(2)ytf.square(x)ztf.sqrt(tf.cast(x,tf.float32))# 同时获取多个结果res_y,res_zsess.run([y,z])print(y ,res_y,z ,res_z)# 使用字典命名返回结果resultssess.run({sq:y,sqrt:z})print(results)4.5 InteractiveSession 便捷方式# InteractiveSession会设置自身为默认会话且Tensor.eval()可直接使用sesstf.compat.v1.InteractiveSession()atf.constant(5.0)btf.constant(6.0)ca*b# 不需要显式sess.run可以直接eval()print(c ,c.eval())# 30.0sess.close()4.6 PartialRun部分执行# 对于需要多次feed不同输入但图结构固定的场景PartialRun可减少开销withtf.compat.v1.Session()assess:atf.compat.v1.placeholder(tf.float32,shape(2,))btf.compat.v1.placeholder(tf.float32,shape(2,))cab da*b# 创建部分运行句柄prsess.partial_run_setup([c,d],[a,b])# 第一次执行只提供a执行到c注意必须提供所有依赖的feedPartialRun允许先给一部分# 实际使用复杂一般场景较少# 示例先运行c后运行dres_csess.partial_run(pr,c,feed_dict{a:[1,1],b:[2,2]})res_dsess.partial_run(pr,d,feed_dict{a:[3,3],b:[4,4]})print(res_c,res_d)4.7 在2.x中使用tf.function模拟Session的惰性执行# 2.x的tf.function将函数转为图调用时隐式执行但类似Session.runtf.functiondefgraph_func(x,y):returnxy# 调用时立即执行但内部使用图resultgraph_func(tf.constant(1),tf.constant(2))print(result)# 3# 查看生成的图concretegraph_func.get_concrete_function(tf.TensorSpec(shape(),dtypetf.int32),tf.TensorSpec(shape(),dtypetf.int32))print(concrete.graph.as_graph_def())5. 案例实操演练案例将TensorFlow 1.x的线性回归代码迁移到2.x兼容模式理解Session执行流程。5.1 原始1.x代码线性回归importtensorflow.compat.v1astf tf.disable_v2_behavior()# 生成合成数据importnumpyasnp X_trainnp.linspace(0,10,100)y_train2*X_train1np.random.randn(100)*0.5# 定义图Xtf.placeholder(tf.float32,shape(None,),nameX)ytf.placeholder(tf.float32,shape(None,),namey)wtf.Variable(0.0,nameweight)btf.Variable(0.0,namebias)y_predw*Xb losstf.reduce_mean(tf.square(y-y_pred))optimizertf.train.GradientDescentOptimizer(learning_rate0.01).minimize(loss)inittf.global_variables_initializer()# 创建会话并训练withtf.Session()assess:sess.run(init)forepochinrange(100):_,lsess.run([optimizer,loss],feed_dict{X:X_train,y:y_train})ifepoch%200:print(fEpoch{epoch}, loss{l:.4f})w_val,b_valsess.run([w,b])print(fTrained: w{w_val:.3f}, b{b_val:.3f})5.2 在2.x环境中以兼容模式运行importtensorflowastfimportnumpyasnp# 使用compat.v1模块但不完全禁用v2行为可以局部使用X_trainnp.linspace(0,10,100).astype(np.float32)y_train(2*X_train1np.random.randn(100)*0.5).astype(np.float32)# 在tf.compat.v1命名空间下操作tf_v1tf.compat.v1 Xtf_v1.placeholder(tf.float32,shape(None,),nameX)ytf_v1.placeholder(tf.float32,shape(None,),namey)wtf_v1.Variable(0.0,nameweight)btf_v1.Variable(0.0,namebias)y_predw*Xb losstf_v1.reduce_mean(tf.square(y-y_pred))optimizertf_v1.train.GradientDescentOptimizer(learning_rate0.01).minimize(loss)inittf_v1.global_variables_initializer()# 创建会话withtf_v1.Session()assess:sess.run(init)forepochinrange(100):_,lsess.run([optimizer,loss],feed_dict{X:X_train,y:y_train})ifepoch%200:print(fEpoch{epoch}, loss{l:.4f})w_val,b_valsess.run([w,b])print(fTrained: w{w_val:.3f}, b{b_val:.3f})5.3 对比2.x原生实现无Session# 2.x原生方式X_tensortf.constant(X_train)y_tensortf.constant(y_train)w_vartf.Variable(0.0)b_vartf.Variable(0.0)optimizertf.keras.optimizers.SGD(0.01)deftrain_step(X,y):withtf.GradientTape()astape:y_predw_var*Xb_var losstf.reduce_mean(tf.square(y-y_pred))gradstape.gradient(loss,[w_var,b_var])optimizer.apply_gradients(zip(grads,[w_var,b_var]))returnlossforepochinrange(100):loss_valtrain_step(X_tensor,y_tensor)ifepoch%200:print(fEpoch{epoch}, loss{loss_val:.4f})print(fTrained: w{w_var.numpy():.3f}, b{b_var.numpy():.3f})通过对比读者可体会到2.x代码的简洁性但也理解了Session背后的资源管理。6. 常见坑点与排错总结6.1 Session生命周期坑点坑1Session未关闭导致资源泄漏GPU显存占用不释放。解决使用with tf.Session() as sess:上下文管理器或显式调用sess.close()。坑2在Session关闭后仍然调用run()抛出RuntimeError: Attempted to use a closed Session.解决确保所有执行在上下文内。6.2 feed_dict与placeholder坑3忘记feed所有placeholder错误提示You must feed a value for placeholder tensor ...解决检查feed_dict中的key是否匹配placeholder且shape/dtype正确。坑4feed_dict传入Numpy数组与placeholder的dtype不匹配可能静默转换或报错。解决显式转换数据类型或在placeholder中设置dtypetf.float32等。6.3 分布式会话配置坑5使用tf.train.MonitoredTrainingSession时未正确设置chief workers导致会话挂起。解决阅读分布式文档明确is_chief参数。6.4 与Eager模式的冲突坑6在2.x中调用tf.compat.v1.Session但未禁用Eager可能出现RuntimeError: tf.placeholder() is not compatible with eager execution.解决在包含placeholder的代码块前调用tf.compat.v1.disable_eager_execution()或改用tf.compat.v1.placeholder并确保执行时Eager被临时禁用无法混用最好独立脚本。坑7试图在Eager环境下使用tf.Session.run去执行包含tf.Variable的操作但变量未在Session中初始化。解决要么完全使用v1模式disable_eager_execution要么迁移到v2。6.5 性能误区误区1每次迭代都创建新的Session开销巨大。应该复用Session。误区2滥用InteractiveSession导致隐式默认会话混乱。推荐显式使用with Session。7. 知识点总结 课后作业7.1 核心知识点梳理Session职责执行图、管理资源、分配设备。惰性执行图定义与执行分离Session.run触发计算。feed_dict运行时注入数据给placeholder。ConfigProto配置GPU选项、线程数、设备放置策略。1.x到2.x迁移tf.compat.v1提供兼容但推荐使用Eager tf.function。替代方案2.x中不需要会话但理解Session有助于底层调试。7.2 基础作业使用tf.compat.v1.Session计算函数 ( f(x) 3x^2 2x 1 ) 在 ( x2 ) 和 ( x5 ) 处的值要求使用placeholder。创建一个Session配置允许GPU内存增长并打印执行a tf.constant([[1,2],[3,4]]); b tf.linalg.matmul(a, a)时的设备放置信息设置log_device_placementTrue。解释为什么在2.x中不再需要显式的Session.close()。7.3 进阶实操作业任务将1.x的MNIST softmax分类代码迁移到2.x兼容模式并评估性能提供1.x代码框架使用tf.compat.v1要求使用placeholder输入图像和标签。使用tf.nn.softmax_cross_entropy_with_logits等op。使用GradientDescentOptimizer。通过feed_dict在每个epoch喂入数据。训练结束后输出测试集准确率。然后将上述代码改写为2.x原生风格无Session使用tf.GradientTape对比训练时间。附加要求在两种实现中都记录从创建图/变量到训练完成的耗时分析Session开销。7.4 思考拓展题在1.x中tf.train.Coordinator和QueueRunner常用于多线程输入。它们与Session的关系是什么2.x中如何替代这些机制假设你有一个TensorFlow 1.x的SavedModel其中包含图定义和checkpoint。在不重新训练的情况下如何在2.x环境中加载并执行推理提示tf.compat.v1.Sessiontf.saved_model.loader.load分析以下代码为什么会导致内存不断增长如何修复importtensorflow.compat.v1astf tf.disable_v2_behavior()foriinrange(100):atf.constant([i])ba1withtf.Session()assess:print(sess.run(b))下一课预告专栏基础阶段综合实操——我们将利用前9课的知识完成一个综合项目从数据加载、张量操作、自动微分到模型训练融会贯通基础阶段的所有核心技能。《TensorFlow2.x: 深度学习入门到高阶实战教程》系列课程导航去订阅第一部分基础入门1-10 课第二部分神经网络核心11-25 课第三部分进阶网络与框架高阶26-40 课第四部分企业实战与项目落地41-50 课 感谢您耐心阅读到这里 如果本文对您有所启发欢迎 点赞 收藏 分享给更多需要的伙伴。️ 期待在评论区看到您的想法, 共同进步。 关注我持续获取更多干货内容 我们下篇文章见