Python tf.compat.v1.Session.run用法及代码示例

用法

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

在 fetches 中运行操作并评估张量。

此方法运行 TensorFlow 计算的 "step"，通过运行必要的图形片段来执行每个 Operation 并评估 fetches 中的每个 Tensor，用 feed_dict 中的值替换相应的输入值。

fetches 参数可以是单个图形元素，也可以是任意嵌套的列表、元组、命名元组、字典或在其叶子中包含图形元素的 OrderedDict。图形元素可以是以下类型之一：

• 一个tf.Operation。相应的获取值将是 None 。
• 一个tf.Tensor。相应的获取值将是一个包含该张量值的 numpy ndarray。
• 一个tf.sparse.SparseTensor。相应的获取值将是一个tf.compat.v1.SparseTensorValue，其中包含该稀疏张量的值。
• get_tensor_handle 操作。相应的获取值将是一个包含该张量句柄的 numpy ndarray。
• string 是图中张量或操作的名称。

run() 返回的值与 fetches 参数具有相同的形状，其中叶子被 TensorFlow 返回的相应值替换。

例子：

a = tf.constant([10, 20])
   b = tf.constant([1.0, 2.0])
   # 'fetches' can be a singleton
   v = session.run(a)
   # v is the numpy array [10, 20]
   # 'fetches' can be a list.
   v = session.run([a, b])
   # v is a Python list with 2 numpy arrays:the 1-D array [10, 20] and the
   # 1-D array [1.0, 2.0]
   # 'fetches' can be arbitrary lists, tuples, namedtuple, dicts:
   MyData = collections.namedtuple('MyData', ['a', 'b'])
   v = session.run({'k1':MyData(a, b), 'k2':[b, a]})
   # v is a dict with
   # v['k1'] is a MyData namedtuple with 'a' (the numpy array [10, 20]) and
   # 'b' (the numpy array [1.0, 2.0])
   # v['k2'] is a list with the numpy array [1.0, 2.0] and the numpy array
   # [10, 20].

可选的 feed_dict 参数允许调用者覆盖图中张量的值。 feed_dict 中的每个键都可以是以下类型之一：

• 如果键是 tf.Tensor ，则值可能是 Python 标量、字符串、列表或 numpy ndarray，可以转换为与该张量相同的 dtype。此外，如果键是 tf.compat.v1.placeholder ，则将检查值的形状是否与占位符兼容。
• 如果键是 tf.sparse.SparseTensor ，则值应该是 tf.compat.v1.SparseTensorValue 。
• 如果键是 Tensor 或 SparseTensor 的嵌套元组，则值应该是嵌套元组，其结构与上面对应的值映射的结构相同。

feed_dict 中的每个值都必须可转换为对应键的 dtype 的 numpy 数组。

可选的 options 参数需要一个 [ RunOptions ] 原型。这些选项允许控制此特定步骤的行为(例如打开跟踪)。

可选的 run_metadata 参数需要一个 [ RunMetadata ] 原型。在适当的时候，该步骤的非张量输出将在那里收集。例如，当用户在 options 中打开跟踪时，已分析的信息将被收集到此参数中并传回。