在多个线程中重用 Tensorflow 会话会导致崩溃

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。

Problem

当尝试打电话时sess.run在一个线程中我收到以下错误消息：

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

重现错误的代码：

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。

有人可以深入了解如何在 python 线程中正确使用 Tensorflow 会话吗？

Session不仅可以是当前线程的默认值，还可以是图。 当您进入会话并调用时run在其上，默认图表将是不同的。

您可以修改您的线程函数像这样让它工作：

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，我不希望有任何显着的加速。 Python 线程与其他语言中的含义不同，只有某些操作（例如 io）会并行运行。对于 CPU 密集型操作来说，它不是很有用。多处理可以真正并行运行代码，但您不会共享同一个会话。