我已经看到了很多人对 TensorFlow 的 tf.Graph 和 tf.Session 的规则感到困惑。其实很简单：
- Graph（图形）定义了计算。但它不计算任何东西，也不包含任何值，它只是定义您在代码中指定的操作。
- Session（会话）允许执行图形或部分图形。它为此分配资源（在一台或多台机器上）并保存中间结果和变量的实际值。
我们来看一个例子。
定义 Graph（图形）
我们使用一个变量和三个操作定义一个 Graph（图形）：variable 返回变量的当前值。initialize 将初始值42分配给该变量。assign 将新值13赋给该变量。
graph = tf.Graph() with graph.as_default(): variable = tf.Variable(42, name='foo') initialize = tf.global_variables_initializer() assign = variable.assign(13)
旁注：TensorFlow 为您创建一个默认图形，因此我们不需要上面代码的前两行。 如果你不手动指定Graph（图形）时, 默认的 Graph（图形）也是下面例子中的 Session（会话）使用的缺省值。
在 Session（会话）中运行计算
要运行三个定义的操作中的任何一个，我们需要为该 Graph（图形）创建一个Session（会话）。会话还将分配内存来存储变量的当前值。
with tf.Session(graph=graph) as sess: sess.run(initialize) sess.run(assign) print(sess.run(variable)) # Output: 13
如您所见，我们的变量值仅在一个会话中有效。如果我们尝试在第二个会话中查询该值，TensorFlow 将引发错误，因为该变量未在那里初始化。
with tf.Session(graph=graph) as sess: print(sess.run(variable)) # Error: Attempting to use uninitialized value foo
当然，我们可以在多个会话中使用该图，我们只需要再次初始化变量。新会话中的值将完全独立于第一个：
with tf.Session(graph=graph) as sess: sess.run(initialize) print(sess.run(variable)) # Output: 42
希望这个简短的工作可以帮助您更好地理解 tf.Session。随意在评论中提问。
更新（时间2017-07-12）：在 TensorFlow 1.0中初始化变量的操作已更改。
您可以在开放的CC BY-SA 3.0 许可下使用此帖子， 并将其引用为：
@misc {hafner2016tfsession， 作者= {Hafner，Danijar}， title = {什么是TensorFlow会话？}， 年= {2016}， howpublished = {博客文章}， url = {https://danijar.com/what-is-a-tensorflow-session/} }
