Tensorflow计算模型——计算图

1.计算图的概念：

　　计算图：输入和计算函数都以节点的形式出现，而节点的输出项之间的关系以有向线段表示所构成的计算图形。

如：向量a， b 相加：

2. 计算图的使用：

注意：Tensorflow程序一般分两步：定义计算图中所有计算；执行计算

在tensorflow代码执行的时候，tensorflow会自定定义一个默认的计算图，可以通过tf.get_default_graph函数来获取当前默认的计算图

import tensorflow as tf

‘‘‘tensorflow程序第一步：定义计算图中所有计算‘‘‘
a=tf.constant([1.0, 2.0], name="a")
b=tf.constant([2.0, 3.0], name="b")
result=a+b

‘‘‘判断a节点是不是在默认节点中‘‘‘
print(a.graph is tf.get_default_graph())
print(b.graph is tf.get_default_graph())

输出：
True
True

当然，可以使用tf.Graph函数来生成新的计算图。

注意：计算图其实是一种数据结构，则上面的数据和运算不会相互共享。

import tensorflow as tf

‘‘‘tensorflow第一步：定义所有计算‘‘‘

g1=tf.Graph()
with g1.as_default():
    ‘‘‘在计算图g1中定义变量“v"，并初始化为0‘‘‘
    v=tf.get_variable( "v", shape=[1,2],initializer=tf.zeros_initializer )

g2=tf.Graph()
with g2.as_default():
    ‘‘‘在计算图g2中定义变量“v"，初始化为1‘‘‘
    v=tf.get_variable( "v", shape=[2,3],initializer=tf.ones_initializer )

‘‘‘tensorflow第二步：运行计算‘‘‘

with tf.Session(graph=g1) as sess:
    tf.initialize_all_variables().run()         #初始化所有变量
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))       #获取变量v

with tf.Session(graph=g2) as sess:
    tf.initialize_all_variables().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))

输出：
[[0. 0.]]
[[1. 1. 1.]
 [1. 1. 1.]]

计算图由节点和关系构成，那么计算图的资源如何给用户比较方便的调用呢？

在一个计算图中可以使用集合（collection）来管理整个资源。这里的资源具体指的是张量，变量，或者队列等。

tf.add_to_collection函数将资源加入一个或者多个collection

tf.get_collection函数，获取指定collection中的所有资源

　　　　几个常用的集合

原文地址：https://www.cnblogs.com/ALINGMAOMAO/p/11711054.html