Question

背景：

我有一些复杂的强化学习算法，我想在多个线程中运行。

问题

尝试在线程中调用sess.run时，出现以下错误消息：

RuntimeError: The Session graph is empty. Add operations to the graph before calling run().

代码重现该错误：

import tensorflow as tf

import threading

def thread_function(sess, i):
    inn = [1.3, 4.5]
    A = tf.placeholder(dtype=float, shape=(None), name="input")
    P = tf.Print(A, [A])
    Q = tf.add(A, P)
    sess.run(Q, feed_dict={A: inn})

def main(sess):

    thread_list = []
    for i in range(0, 4):
        t = threading.Thread(target=thread_function, args=(sess, i))
        thread_list.append(t)
        t.start()

    for t in thread_list:
        t.join()

if __name__ == '__main__':

    sess = tf.Session()
    main(sess)

如果我在线程外运行相同的代码，它将正常工作。

有人可以提供一些关于如何在python线程中正确使用Tensorflow会话的见解吗？

Answer 1

不仅Session可以是当前线程的默认值，还可以是图形。当您传递会话并在其上调用run时，默认图形将是另一个图形。

您可以这样修改 thread_function 使其起作用：

def thread_function(sess, i):
    with sess.graph.as_default():
        inn = [1.3, 4.5]
        A = tf.placeholder(dtype=float, shape=(None), name="input")
        P = tf.Print(A, [A])
        Q = tf.add(A, P)
        sess.run(Q, feed_dict={A: inn})

但是，我不希望有任何明显的提速。 Python线程在某些其他语言中并不意味着什么，只有某些操作（例如io）可以并行运行。对于CPU繁重的操作，它不是很有用。多处理可以真正地并行运行代码，但您不会共享同一会话。

Answer 2

在github上用另一个资源扩展了de1的答案： tensorflow/tensorflow#28287 (comment)

以下为我解决了tf的多线程兼容性：

# on thread 1
session = tf.Session(graph=tf.Graph())
with session.graph.as_default():
    k.backend.set_session(session)
    model = k.models.load_model(filepath)

# on thread 2
with session.graph.as_default():
    k.backend.set_session(session)
    model.predict(x)

这将保留其他线程的Session和Graph。
该模型在其“上下文”（而不是默认上下文）中加载，并保留供其他线程使用。
（默认情况下，模型会加载为默认的Session和默认的Graph）
另一个优点是它们被保存在同一对象中-更易于处理。

在多个线程中重用Tensorflow会话会导致崩溃

2 个答案: