Python 上下文管理器

TensorFlow的运行模型—session（会话），用来执行定义好的运算，会话拥有并管理TensorFlow程序运行时的所有资源，所以当运算结束后需要对资源回收，否则可能会出现资源泄漏的问题。当然我们是可以通过关闭会话的方式回收资源，还有一种更为简便的方式就是使用Python的上下文管理器。 在说明TensorFlow的会话操作之前，先介绍上下文管理器和它的一个其他使用。 在使用Python编程中，可以会经常碰到这种情况：有一个特殊的语句块，在执行这个语句块之前需要先执行一些准备动作（如打开文本）；当语句块执行完成后，需要继续执行一些收尾动作（如收回资源）。这就好比OpenCV1.0版本时，我们在开头定义了一个IplImage类型的变量，总要在程序结束前 cvReleaseImage它，不然就会造成内存的泄漏，而这也是1.0版本的一个很大的诟病，直到2.0版之后引入了Mat类型，而Python的上下文管理器就相当于Mat类型，不需要在最后手动收回，不需要考虑代码异常情况下的资源收回。（这个例子可能并不准确，但是可以直观的说明上下文管理器的最大优点：简便的内存管理，异常下的内存回收）

下面举一个简单的例子，比如我们想要完成一个文件写入的任务： 1.用手动收回的方式：

logger = open("log.txt", "w")
logger.write('Hello ')
logger.close()
print logger.closed

就像这样，当代码执行到logger.close()时会关闭之前打开着的txt文件，但是这样就会出现一个问题，如果代在logger.close()前就出现了异常，那么就没办法完成回收工作，所以我们也可以考虑用try-finally语句。

2.加入try-finally并手动收回

logger = open("log.txt", "w")
try:
    logger.write('Hello ')
finally:
    logger.close()
print logger.closed

try-finally就像C++中的try/catch异常捕获机制一样，即使出现异常，也能保证关闭文件句柄。但是这样的方式还是要麻烦一些。

3.使用上下文管理器

with open("log.txt", "w") as logger:
    logger.write('Hello ')
    logger.write('World')

print logger.closed

是的，只需要在程序块前加上with，就可以实现上下文管理器的功能，比方法2简洁了很多。但是需要说明的是with仅能工作于支持上下文管理协议（context management protocol）的对象。 我们可以通过可以直接通过内建函数dir()来查看对象支持的方法和属性，如果其中包含了'__enter__', '__exit__'，即支持上下文管理协议。

最后说回TensorFlow的会话操作，手动收回资源的方式就是关闭会话：

sess = tf.Senssion()
sess.run()
sess.close()

而使用上下文管理器后：

with tf.Senssion() as sess:
sess.run()