TensorFlow 计算图

在Tensorflow中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图：

 假如定义了两个变量：a = tf.constant([1.0,2.0],name="a")，b=tf.constant([2.0,3.0],name="b")

调用a.graph 得到的内容和tf.get_default_graph()是相同的，即a.graph is tf.get_default_graph()为真。

也可以自定义计算图：通过g1=tf.Graph()可以定义计算图  ，如果给这个计算图添加代码，可使用

with g1.as_default():

  v = tf.get_variable("v",initializer=tf.zeros_initializer(shape=[1]))

不同计算图中的同名变量是不相互共享的，如果要执行计算图中的代码，则执行：

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"))

 

针对不同的计算图，需要通过不同的session执行其中的代码，

也可以指定运行某个计算的设备：

with g1.device('/gpu:0'):

   result = a+ b

这两行代码指定了 加法运算在0号gpu上运行。

 

计算图中的资源很多，和进行管理呢，tensorflow 提供了几个管理资源的集合，我们可以把相应的资源加入相应的集合集中进行管理：

通过tf.add_to_collection将资源加入集合，tf.get_collection()获取集合中的资源进行处理。