在TensorFlow 1.x版本中， Session 會話是一個非常重要的概念。它提供了一個執行計算圖（computation graph）的環境。TensorFlow 2.x 版本引入了Eager Execution模式，使得大多數操作立即執行，而不再需要顯式的會話管理。但是，為了理解 TensorFlow 的基礎，以及在某些情況下可能仍然需要使用的低級操作，我們還是有必要了解一下 TensorFlow 1.x 中的會話機制。

會話的由來與作用

由來

TensorFlow最初是由谷歌大腦團隊開發的，用于大規模機器學習任務。最初的設計目標之一是能夠高效地在分布式環境中執行計算圖。為了實現這一點，TensorFlow引入了 Session 概念來管理和執行計算圖。

作用

Session 的主要作用包括：

1. 管理資源：分配和管理計算所需的資源，如GPU和內存。
2. 執行計算圖：具體執行計算圖中的操作（ops），并返回結果。
3. 控制生命周期：在會話的生命周期內，可以反復執行計算圖的一部分或全部。

會話的定義與結構

在 TensorFlow 1.x 中，會話是通過 tf.Session 類定義的。其主要結構和用法如下：

定義

# 創建一個計算圖
import tensorflow as tf# 定義一個計算圖節點
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b# 創建一個會話
sess = tf.Session()# 在會話中運行計算圖
result = sess.run(c)
print(result)  # 輸出：11.0# 關閉會話
sess.close()

用法

基本用法

1. 創建會話：可以通過 tf.Session() 創建一個會話對象。
2. 執行計算：使用 sess.run() 方法執行計算圖中的節點。
3. 關閉會話：使用 sess.close() 關閉會話，釋放資源。

上下文管理器

為了確保會話在使用后正確關閉，可以使用 Python 的上下文管理器（with 語句）：

import tensorflow as tfa = tf.constant(5.0)
b = tf.constant(6.0)
c = a + bwith tf.Session() as sess:result = sess.run(c)print(result)  # 輸出：11.0

使用上下文管理器的好處是會在代碼塊執行完畢后自動關閉會話。

執行部分計算圖

會話允許你執行計算圖的一部分，這對于大型復雜的計算圖尤其有用：

import tensorflow as tfa = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b
d = c * 2with tf.Session() as sess:# 只執行c節點result_c = sess.run(c)print(result_c)  # 輸出：11.0# 執行d節點，TensorFlow會自動計算c節點的值result_d = sess.run(d)print(result_d)  # 輸出：22.0

獲取多個結果

可以在一次會話運行中獲取多個節點的結果：

import tensorflow as tfa = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b
d = c * 2with tf.Session() as sess:result_c, result_d = sess.run([c, d])print(result_c)  # 輸出：11.0print(result_d)  # 輸出：22.0

總結

Session 會話是 TensorFlow 1.x 中用于執行計算圖的環境，通過會話可以管理資源、執行計算圖并獲取結果。在 TensorFlow 2.x 中，引入了更易用的 Eager Execution 模式，使得大部分操作可以立即執行，而不需要顯式管理會話。然而，了解 Session 的概念對于理解 TensorFlow 的設計原理和使用低級 API 仍然是有幫助的。

練習代碼

import tensorflow as tf# 創建一個變量
m1 = tf.constant([[3,3]])#創建一個常量
m2=tf.constant([[2],[3]])#矩陣乘法 OP
product = tf.matmul(m1,m2)print(product)#定義會話
sess = tf.Session()#調用sess中的run方法執行矩陣乘法op
result = sess.run(product)
print(result)
sess.close()with tf.Session() as sess:# 調用sess中的run方法來執行矩陣懲罰opresult = sess.run(product)print(result)

報錯

在我的環境中運行會遇見以下報錯：
sess = tf.Session() AttributeError: module 'tensorflow' has no attribute 'Session'. Did you mean: 'version'?

原因：

在TensorFlow 2.x中，Session已經被棄用了，取而代之的是更加直觀和易用的Eager Execution模式。Eager Execution使得TensorFlow操作立即執行，并返回結果，而不是構建一個計算圖，然后再通過會話來運行這些圖。

盡管如此，如果你確實需要使用與TensorFlow 1.x兼容的功能，比如在某些情況下必須要用到計算圖和會話，可以通過在TensorFlow 2.x中啟用兼容模式來使用這些功能。

TensorFlow 2.x中的Eager Execution

默認情況下，TensorFlow 2.x啟用了Eager Execution模式，這使得編寫和調試代碼更加直觀。下面是一個簡單的例子：

import tensorflow as tf# Eager Execution模式下直接計算
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b
print(c)  # 輸出：tf.Tensor(11.0, shape=(), dtype=float32)

使用兼容模式來啟用Session

如果你需要在TensorFlow 2.x中使用會話和計算圖，可以啟用兼容模式：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()# 創建一個計算圖
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b# 創建一個會話
sess = tf.Session()# 在會話中運行計算圖
result = sess.run(c)
print(result)  # 輸出：11.0# 關閉會話
sess.close()

Eager Execution和計算圖的混合使用

在某些復雜場景中，你可能需要混合使用Eager Execution和計算圖。這種情況下，你可以使用tf.function來定義需要構建為計算圖的部分代碼：

import tensorflow as tf# Eager Execution模式下直接計算
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a + b
print(c)  # 輸出：tf.Tensor(11.0, shape=(), dtype=float32)# 使用tf.function將代碼轉換為計算圖
@tf.function
def compute():d = a * breturn dresult = compute()
print(result)  # 輸出：tf.Tensor(30.0, shape=(), dtype=float32)

總結

在TensorFlow 2.x中，建議盡量使用Eager Execution模式，因為它更加直觀和易于調試。如果你必須使用與TensorFlow 1.x兼容的功能，可以通過啟用兼容模式來使用會話和計算圖。在大多數情況下，Eager Execution模式已經足夠強大，并且能夠滿足大多數深度學習任務的需求。

修改

在TensorFlow 2.x中，推薦使用Eager Execution模式，因為它更加直觀和易于調試。以下是將代碼轉換為Eager Execution模式的版本：

import tensorflow as tf# 確保Eager Execution模式已啟用
tf.config.run_functions_eagerly(True)# 創建一個變量
m1 = tf.constant([[3, 3]])# 創建一個常量
m2 = tf.constant([[2], [3]])# 矩陣乘法 OP
product = tf.matmul(m1, m2)# 立即執行操作并返回結果
print(product.numpy())# 在Eager Execution模式下，不需要顯式定義會話
# 結果已經通過Eager Execution模式返回
result = product.numpy()
print(result)

在這個代碼中，我們不需要顯式定義會話。Eager Execution模式使得TensorFlow操作立即執行并返回結果，這樣代碼更加直觀和易于調試。如果需要與TensorFlow 1.x兼容的功能，可以啟用兼容模式，但在大多數情況下，Eager Execution模式已經足夠強大，并且能夠滿足大多數深度學習任務的需求。

在TensorFlow 2.x中，直接使用Eager Execution模式會避免很多TensorFlow 1.x中的復雜性和問題。如果需要使用與TensorFlow 1.x兼容的功能，確保在兼容模式下正確地定義和使用計算圖。

這里是修正后的代碼，確保兼容模式下操作添加到計算圖中：

import tensorflow as tf# 使用兼容模式
tf.compat.v1.disable_eager_execution()# 創建一個變量
m1 = tf.compat.v1.constant([[3, 3]])# 創建一個常量
m2 = tf.compat.v1.constant([[2], [3]])# 矩陣乘法 OP
product = tf.compat.v1.matmul(m1, m2)# 定義會話
sess = tf.compat.v1.Session()# 調用sess中的run方法執行矩陣乘法op
result = sess.run(product)
print(result)
sess.close()# 使用上下文管理器定義會話
with tf.compat.v1.Session() as sess:# 調用sess中的run方法來執行矩陣乘法opresult = sess.run(product)print(result)

在這個代碼中，使用了 tf.compat.v1.disable_eager_execution() 來禁用Eager Execution，并確保所有操作都在兼容模式下添加到計算圖中。然后，使用 tf.compat.v1.Session 來運行這些操作。這種方式能夠確保在TensorFlow 2.x中使用與1.x兼容的會話模式。

使用上下文管理器定義會話：

# 使用上下文管理器定義會話
with tf.compat.v1.Session() as sess:# 調用sess中的run方法來執行矩陣乘法opresult = sess.run(product)print(result)

• with tf.compat.v1.Session() as sess:：使用 with 關鍵字創建一個 tf.compat.v1.Session() 對象，并將其賦值給 sess 變量。tf.compat.v1.Session() 是 TensorFlow 2.x 中兼容 TensorFlow 1.x 的會話對象。

• sess.run(product)：在會話中調用 run 方法來執行之前定義的矩陣乘法操作 product。這一步實際上會啟動 TensorFlow 的計算圖，并執行相應的計算。

• print(result)：打印執行結果 result，即矩陣乘法的結果。

上下文管理器的作用：
使用 with 語句塊可以確保在進入 with 代碼塊時會話 sess 被創建，并在代碼塊執行結束時自動關閉。這種方式避免了手動調用 sess.close() 來關閉會話，同時也確保了資源的正確釋放，特別是在 TensorFlow 中，關閉會話能夠釋放計算資源和內存。

總結來說，這段代碼的目的是使用 TensorFlow 2.x 的兼容模式創建一個會話，并在會話中執行矩陣乘法操作，最后打印執行結果。使用上下文管理器 with 確保了會話在使用完畢后正確關閉，避免了資源泄露和錯誤的釋放。