Question

背景

我通过遍历Hands-On Machine Learning with Scikit-Learn and TensorFlow的第二部分来学习TensorFlow，练习题之一是（ bounded 我自己添加的文字以使问题更清楚）：

“如果您创建包含变量g的图形w，则启动两个线程并在每个线程中打开一个会话，都使用同一图形g ，每个会话将拥有自己的变量w副本还是将其共享？”

本书背面提供的答案如下：

“在本地TensorFlow中，会话管理变量值，因此，如果创建包含变量g的图w，则启动两个线程并在每个线程中打开一个本地会话，相同的图形g ，则每个会话将拥有自己的变量w ...的副本。”

我的问题

A）或 B）是对正在发生的事情的正确解释吗？

A）。这两个会话都使用图形g的相同 instance ，并且两个单独的变量仅归因于两个单独的会话。

B）通过两个不同会话的实例化，两个线程使用图g的相同体系结构，但是两个单独的实例化图g的被创建，导致两个不同的变量。

Answer 1

我认为这里的问题是术语“实例化”的含糊之处，以及图形和会话的实际含义。

如果您有一个图和两个打开的会话，则该图只有一个实例。这是一个Python对象，它描述了模型执行的计算，即张量之间的操作，其中可能包括一些常数和变量。如果向该图添加新元素（新操作），则两个会话都可以访问该元素。重要的是要了解图是静态的，也就是说，它们没有状态，并且它们本身不进行任何计算，它们只是描述如何执行计算。可以将其视为计算机程序源代码的模拟。

会话是一个对象，该对象存储可以在其上执行计算的图形状态。最重要的是，该“状态”包含图形中变量的值。因此，变量对象本身是图的一部分（从某种意义上来说，是跨会话“共享”的），但是它随时具有的值存储在每个打开的会话中。但是，变量值并不是会话中存储的唯一内容。您还拥有随机数生成器或数据集迭代器的状态。参见What is a “stateful object” in tensorflow?。按照之前的类比，会话将类似于执行图形为源代码的程序所使用的内存和CPU。

如果我想理解您的意思，那么我想尝试更具体地回答您的问题，正确的解释是 A）。

Answer 2

让我们检查一下会发生什么：

tf.reset_default_graph()
w = tf.Variable(tf.random_uniform([2,3]), name="w")
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    w1 = sess.run(w)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    w2 = sess.run(w)

assert np.testing.assert_equal(w1, w2)

我们得到一个断言错误。这意味着 B）是正确的答案。

创建两个TensorFlow会话时是否创建了图的多个实例？

2 个答案: