【Tensorflow】（tf.Graph）和（tf.session）

• 图（tf.Graph）：计算图，主要用于构建网络，本身不进行任何实际的计算。
• 会话（tf.session）：会话，主要用于执行网络。所有关于神经网络的计算都在这里进行，它执行的依据是计算图或者计算图的一部分，同时，会话也会负责分配计算资源和变量存放，以及维护执行过程中的变量。

Tensorflow的几种基本数据类型：

tf.constant(value, dtype=None, shape=None, name=‘Const‘, verify_shape=False)
tf.Variable(initializer, name)
tf.placeholder(dtype, shape=None, name=None)

graph = tf.Graph()
with graph.as_default():
  img = tf.constant(1.0, shape=[1,5,5,3])

以上代码中定义了一个计算图，在该计算图中定义了一个常量。Tensorflow默认会创建一张计算图。所以上面代码中的前两行，可以省略。默认情况下，计算图是空的。

在执行完img = tf.constant(1.0, shape=[1,5,5,3])以后，计算图中生成了一个node，一个node结点由name, op, input, attrs组成，即结点名称、操作、输入以及一系列的属性

对于tf.constant()函数，只会生成一个node，但对于有的函数，如tf.Variable(initializer, name)（注意其第一个参数是初始化器）就会生成多个node结点

需要注意的是，如果没有对结点进行命名，Tensorflow自动会将其命名为：Const、Const_1、const_2......。其他类型的结点类同。

现在，我们添加一个变量：

执行完tf.Variable()函数后，一共产生了三个结点：

• Variable：变量维护（不存放实际的值）
• Variable/Assign：变量分配
• Variable/read：变量使用

图中只是完成了操作的定义，但并没有执行操作（如Variable/Assign结点的Assign操作，所以，此时候变量依然不可以使用，这就是为什么要在会话中初始化的原因）。

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y2 = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")
with tf.Session() as sess:
    sess.run(y2)

这段代码错误的原因在于，变量并没有初始化就被使用，而从图中清晰的可以看到，直接执行卷积，是回溯不到变量的值（Const_1）的（箭头方向）。

所以，在执行之前，要进行初始化，代码如下：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y2 = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")
init = tf.global_variables_initializer()

tf.Session().run()函数的功能为：执行fetches参数所提供的operation操作或计算其所提供的Tensor。

链接   http://looop.cn/?p=3365

原文地址：https://www.cnblogs.com/gaona666/p/12349657.html