【TensorFlow】计算图graph的使用学习笔记（二）

1、计算图的使用

TensorFlow程序一般分为两段，一段是定义计算图的计算，第二阶段是执行计算。

import tensorflow as tf
a = tf.constant([1.0,2.0],name = 'a')
b = tf.constant([2.0,3.0],name = 'b')
result = a+b
print(result)

在TensorFlow的程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数就可以获取当前默认的计算图。

#通过a.graph可以查看张量所属的计算图，因为没有指定，所以这个计算图应该等于当前默认的计算图
print(a.graph is tf.get_default_graph()) #结果为True

除了使用默认图，还可以通过tf.Graph()函数来生成新的计算图。不同计算图上的张量不会共享。

#在计算图g1中定义变量V，并设置初始值为0.
g1 = tf.Graph()
with g1.as_default():
    v = tf.get_variable('v',initializer = tf.zeros(shape=(1,)))
print(g1 is tf.get_default_graph())
#在计算图g2中定义变量V，并设置初始值为1
g2 = tf.Graph()
with g2.as_default():
    v = tf.get_variable('v',initializer = tf.ones(shape=(1,)))
print(g2 is tf.get_default_graph())
#读取计算图g1中的变量v
with tf.Session(graph = g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse = True):
        print(sess.run(tf.get_variable('v')))
#读取计算图g2中的变量v
with tf.Session(graph = g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse = True):
        print(sess.run(tf.get_variable('v')))       

2、张量

从功能上来说，张量可以简单的理解为多维数组。其中零阶张量表示为标量（scalar），一阶张量表示为向量（vector），也就是一维数组；但是张量在实现中，并不真正保存数字，而是保存的是如何得到这些数字的计算过程。

import tensorflow as tf
a = tf.constant([1.0,2.0],name = 'a')
b = tf.constant([2.0,3.0],name = 'b')
result = a+b
print(result)
'''输出：Tensor('add:0',shape=(2,),dtype = float32)'''

TensorFlow计算的结果并不是一个具体的数字，而是一个张量的结构。主要包含三个属性：name，shape，type。