详解TensorFlow报”InvalidStateError: Session has already been started “的原因以及解决办法

问题原因

"InvalidStateError: Session has already been started" 的报错一般是因为在同一个程序中开启了多个 TensorFlow 会话。TensorFlow 会话是一个连接客户端程序和 TensorFlow 运行时之间的桥梁，启动一个 TensorFlow 会话等价于让客户端程序和 TensorFlow 运行时进行了通信。

解决方案

避免在同一程序中启动多个 TensorFlow 会话。

解决方法如下：

1.使用 with 语句，让 TensorFlow 管理会话的生命周期，会话会在 with 语句块结束时自动关闭。示例代码如下：

import tensorflow as tf

with tf.Session() as sess:
    # TensorFlow 计算图
    ...

2.使用 InteractiveSession()， 它会自动将新建立的会话注册为默认会话，并减少一些代码复杂度。示例代码如下：

import tensorflow as tf

sess = tf.InteractiveSession()
# TensorFlow 计算图
...
# 计算结束后关闭 Session
sess.close()

3.使用函数式 API(Keras)中的 backend.get_session() ，该函数可获取全局 TensorFlow 会话，示例代码如下：

import tensorflow as tf
from keras.backend.tensorflow_backend import set_session, get_session

# 设置 TensorFlow 配置信息
config = tf.ConfigProto()
config.gpu_options.allow_growth = True   # 可以在使用时动态分配显存

# 设为全局 TensorFlow 会话
sess = tf.Session(config=config)
set_session(sess)

# Keras 计算图
...
# 计算结束后关闭 Session
sess.close()

4.使用 import tensorflow.contrib.eager as tfe，启用 TensorFlow Eager Execution 模式，不需要显式地开启会话，而是通过 Python 控制流自动完成计算，不再像传统 TensorFlow 那样需要在计算图上预先规划好神经网络的整体结构，可避免会话管理的繁琐。相关代码可以参考 TensorFlow 官方教程。