TensorFlow 运行模型--会话（Session）
会话模式一：
需要明确调用会话生成函数和关闭函数
# 创建一个会话 sess = tf.Session() # 使用创建好的会话进行运算 sess.run("要运算的对象") # 关闭会话使本次运行使用的资源得以释放 sess.close()
会话模式二：
创建一个会话，并通过python上下文管理器管理会话
with tf.Session() as sess: sess.run(...) # 括号里是要运行的对象 # 计算结束后会自动关闭会话（仅能在with内部使用）
通过会话获取张量的取值tf.Tensor.eval函数
sess = tf.Session() with sess.as_default(): print(result.eval()) """ 输出 [4. 6.] """
TensorFlow提供了一个在交互式环境下直接构建默认的会话函数（tf.InteractiveSession）
sess = tf.InteractiveSession() print(result.eval()) # 也是需要关闭的 sess.close()
通过tf.InteractiveSession()可以省去将产生的会话注册为默认会话的过程,可直接使用result.eval()获取张量值
以上会话都可以使用Config Proto Buffer来配置需要生成的会话
config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True) sess1 = tf.InteractiveSession(config=config) sess2 = tf.Session(config=config)
通过配置ConfigProto可以配置类似并行的线程数、GPU分配策略、运算超时计算等参数。这些参数中最常用的有两个：
第一个是allow_soft_placement：这是一个bool型参数，当设置为True时GPU上的运算可以放到CPU上进行
- 运算无法在GPU上执行
- 没有相应的GPU资源（找不到指定的GPU）
- 运算输入包括对CPU计算结果的引用
这个参数默认值为False、但是为了提高代码的可移植性，在GPU环境下一般设置为True，这样可以让计算可以在不同版本的GPU，不同数量的GPU设备上运行
第二个是log_device_placement：是一个bool型参数。当其为True时，日志中会记录每个节点会被安排到哪个设备上以便调试，在生产环境中通常设置False以减少日志量
