TensorFlow計算模型—計算圖

　　TensorFlow是一個經過計算圖的形式來表述計算的編程系統。其中的Tnesor,表明它的數據結構，而Flow表明它的計算模型。TensorFlow中的每個計算都是計算圖上的一個節點，而節點之間的線描述了計算之間的依賴關係。

　　在TensorFlow程序中，系統會自動維護一個默認的計算圖，經過tf.get_default_gragh函數能夠獲取當前默認的計算圖。

除了默認的計算圖，TensorFlow也支持經過tf.Graph函數來生成新的計算圖。不一樣的計算圖上的張量和運算不會共享。以下示例：

 

#coding:utf-8
import tensorflow as tf g1 = tf.Graph() with g1.as_default(): #在計算圖g1中定義一個變量v,而且設置初始值爲0
    v = tf.get_variable(name="v",initializer=tf.zeros_initializer( )(shape=[1])) g2 = tf.Graph() with g2.as_default(): # 在計算圖g2中定義一個變量v,而且設置初始值爲0
    v = tf.get_variable(name="v", initializer=tf.ones_initializer( )(shape=[1])) with tf.Session(graph=g1) as sess: # 運行初始化的兩種方法
    init = tf.global_variables_initializer() sess.run(init)

　　 #這個方法已通過時 #tf.initialize_all_variables().run()

    #這句話是什麼意思？
    with tf.variable_scope("",reuse=True): #經過名字獲取變量
        print(sess.run(tf.get_variable("v"))) with tf.Session(graph=g2) as sess: # 運行初始化的兩種方法
    init = tf.global_variables_initializer() sess.run(init) #tf.initialize_all_variables().run()

    #這句話是什麼意思？
    with tf.variable_scope("",reuse=True): #經過名字獲取變量
        print(sess.run(tf.get_variable("v")))

 

　　上面的代碼產生了兩個計算圖，每一個計算圖中定義了一個名字爲「v」的變量。在計算圖g1中，將v初始化爲0；在計算圖g2中，將v初始化爲1.因而可知，當運行不一樣的計算圖時，變量v的值也不同。

　　Tensorflow中的計算圖不單單能夠用來隔離張量和運算，還能夠提供管理張量和運算的機制。

　　計算圖能夠經過tf.Graph.device()函數來指定運行的設備。這是由於tensorflow使用了GPU機制。一下代碼演示指派GPU的操做。

import tensorflow as tf a = tf.constant([1,2]) b = tf.constant([3,4]) g = tf.Graph() with g.device('/gpu:0'): c = tf.add(a, b, "add") with tf.Session() as sess: print(sess.run(c))

　　在一個計算圖中，能夠經過集合（collection）來管理不一樣類別的資源。好比經過tf.add_to_collection()函數將資源加入一個或多個集合中。而後經過tf.get_collection獲取集合中的全部資源。這裏的資源能夠是張量、變量或者運行Tensorflow程序所須要的隊列資源等等。

　　　　　　　　　　　　　　　　　　TensorFlow中維護的集合列表

集合名稱	集合內容	使用場景
tf.GraphKeys.VARIABLES	全部變量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可學習的變量(通常指神經網絡中的參數)	模型訓練、生成模型可視化內容
tf.GraphKeys.SUMMARIES	日誌生成相關的張量	TensorFlow計算可視化
tf.GraphKeys.QUEUE_RUNNERS	處理輸入的QueueRunner	輸入處理
tf.GraphKeys.MOVING_AVERAGE_VARIABLES	全部計算了滑動平均值的變量	計算變量的滑動平均值