Tensorflow中Session会话控制
Session是Tensorflow为了控制和输出文件的执行语句。运行Session.run()可以获得你想要的运算结果。
举个例子：
用Tensorflow实现两个矩阵相乘，并输出结果。
首先，我们先加载Tensorflow，然后建立两个matrix，输出两个matrix相乘的结果。因为product是直接计算的步骤，所有我们要使用Session来**product，并得到计算结果。
import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[2]])
product = tf.matmul(matrix1,matrix2) # matrix multiply np.dot(m1,m2)
# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()方法二：
因为Session是一个对象，使用完后需要close。在编程的时候，我们往往容易忘记close()，所以我们可以使用With更加简洁的语句来实现。
先说一下Python中with的作用：
（1）使用with后不管with中的代码出现什么错误，都会进行对当前对象进行清理工作。例如file的file.close()方法，无论with中出现任何错误，都会执行file.close（）方法
（2）with只有在特定场合下才能使用。这个特定场合指的是那些支持了上下文管理器的对象。
这些对象包括：
file
decimal.Context
thread.LockType
threading.Lock
threading.RLock
threading.Condition
threading.Semaphore
threading.BoundedSemaphore这些对象都是Python里面的，当然在Tensorflow中还有Session对象啦！
那么什么是上下文管理器呢？？
这个管理器就是在对象内实现了两个方法：__enter__() 和__exit__()
__enter__()方法会在with的代码块执行之前执行，__exit__（）会在代码块执行结束后执行。
__exit__()方法内会自带当前对象的清理方法。
with语句类似
try :
except:
finally:
的功能。但是with语句更简洁。而且更安全。代码量更少。
import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[2]])
product = tf.matmul(matrix1,matrix2) # matrix multiply np.dot(m1,m2)
# method 2
with tf.Session() as sess:
result2 = sess.run(product)
print(result2)观看视频笔记：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/2-3-session/
Reference：
（参考关于Python中With用法）https://www.cnblogs.com/zhangkaikai/p/6669750.html