Quelle est la différence entre tf.Session () et tf.InteractiveSession ()?

Question

Dans quels cas faut-il considérer tf.Session() et tf.InteractiveSession() dans quel but?

Lorsque j'ai essayé d'utiliser l'ancienne, certaines fonctions (par exemple, .eval() ) ne fonctionnaient pas, et lorsque j'ai changé pour la dernière, cela a fonctionné.

Answer 1

Principalement prises à partir officielles de la documentation:

La seule différence avec une Session ordinaire est qu'un InteractiveSession s'installe comme la valeur par défaut de la session de la construction. Les méthodes de Tenseur.eval() et de l'Opération.run() utilisera cette session pour exécuter les opérations.

Cela permet de les utiliser contexte interactif, comme shell, car il évite d'avoir à passer une Session explicite l'objet pour exécuter l'op:

sess = tf.InteractiveSession()
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b
# We can just use 'c.eval()' without passing 'sess'
print(c.eval())
sess.close()

Il est également possible de dire, que InteractiveSession prend en charge moins de frappe, permet de faire fonctionner les variables sans avoir à constamment se référer à l'objet de session.

Answer 2

La seule différence entre Session et InteractiveSession que InteractiveSession fait lui-même la session par défaut de sorte que vous pouvez appeler en run() ou eval() sans appeler explicitement la session.

Cela peut être utile si vous travaillez avec TF en python shell ou dans Jupyter ordinateurs portables, car il évite d'avoir à passer une Session explicite de l'objet pour exécuter des opérations.

Answer 3

En plus de s’installer comme session par défaut, conformément à la documentation officielle , il ressort de certains tests sur l’utilisation de la mémoire que la session interactive utilise l’option gpu_options.allow_growth = True - voir [using_gpu # permettre_gpu_memory_growth] - tant que tf.Session () by default alloue la totalité de la mémoire du GPU.

Answer 4

Plutôt que les différences mentionnées ci-dessus - la différence la plus importante est avec session.run() nous pouvons extraire les valeurs de plusieurs tenseurs en une seule étape.

Par exemple:

 num1 = tf.constant(5)
num2 = tf.constant(10)
num3 = tf.multiply(num1,num2)
model = tf.global_variables_initializer()

session = tf.Session()
session.run(model)

print(session.run([num2, num1, num3]))