tensorflow，tensor就是数据，flow就是流，tensorflow就是数据流
tensorflow 是一个用计算图的形式来表示计算的编程系统，所有的数据和计算都会被转化成计算图上的一个节点，节点之间的边就是数据流（数据流动的轨迹）。
graph 和 session 的关系
tensorflow 是一种 符号式编程框架；
首先需要构建一张图 graph，然后在 会话 session 中 根据这张图 做 真实的运算；
打个比方，graph 就像多条生产线，session 就像生产者，生产线上有一系列加工步骤（加减乘除等运算），但没有生产者它是不能生产产品的；生产者把原料（输入数据）投进去，就能得到产品；
不同的生产者 都能使用这条生产线，只要他们的加工步骤一样就行；
同样的，一个 graph 可以给多个 session 使用，而且一个 session 不一定使用 graph 的全部，也可以使用其中一部分；
其实，graph 和 session 是两个完全独立的概念；
graph 定义了计算方式，包括各种运算的组合，它本身不会进行计算，也不保存结果；
session 用来运行 graph，或者 graph 的一部分，它类似于执行者，给 session 喂入数据，得到输出，并保存中间的结果，同时也给 graph 分配计算资源；
计算图的使用
1. 建立节点
2. 执行计算
计算图有两种形式
默认的计算图
tf 维护一个默认的计算图，
get_default_graph：获取默认计算图
graph：获取节点所属计算图
import tensorflow as tf a = tf.constant([1., 2.], name = 'a') b = tf.constant([2., 3.], name = 'b') result = a + b print(a.graph is tf.get_default_graph()) # True
数据本身就是节点，该节点的 graph 就是默认计算图
自定义计算图
tf.Graph 可以生成新的计算图，不同计算图之间的数据和计算不能共享
自定义计算图 之后，tf 并不会把 自定义的图 作为 默认图，而还是 tf 自己维护的那个 默认计算图；
自定义计算图之后，还需要 把 这张图 手动 设定为 默认计算图，此时 tf 的默认计算图才是 自定义的计算图；
tf.Graph()：生成新的计算图
as_default()：把 某个 计算图设定为默认计算图，或者说设定为当前计算图，只有这样，自定义的计算图才能生效
且 不同计算图中的内容不能共用
示例
## g1 g1 = tf.Graph() with g1.as_default(): # 在计算图 g1 中定义变量 “v” ,并设置初始值为 0。 v = tf.get_variable("v", [1], initializer = tf.zeros_initializer()) # 设置初始值为0，shape 为 1 ## g2 g2 = tf.Graph() with g2.as_default(): # 在计算图 g2 中定义变量 “v” ,并设置初始值为 1。 v = tf.get_variable("v", [1], initializer = tf.ones_initializer()) # 设置初始值为1 # 在计算图 g1 中读取变量“v” 的取值 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"))) # [0.] # 在计算图 g2 中读取变量“v” 的取值 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"))) # [1.] ## g3 g3 = tf.Graph() with g3.as_default(): # 在计算图 g2 中定义变量 “v” ,并设置初始值为 1。 v = tf.get_variable("v2", [1], initializer = tf.ones_initializer()) # 设置初始值为1 # 在计算图 g1 中读取变量“v” 的取值 with tf.Session(graph = g3) as sess: tf.global_variables_initializer().run() with tf.variable_scope("", reuse=True): print(sess.run(tf.get_variable("v2"))) # [1.] print(sess.run(tf.get_variable("v"))) # 报错 Variable v does not exist
可以看到 g3 无法调用 g2 中的变量v
计算图可以用来隔离张量和计算
计算图的操作
保存
g1 = tf.Graph() with g1.as_default(): # 需要加上名称，在读取pb文件的时候，是通过name和下标来取得对应的tensor的 c1 = tf.constant(4.0, name='c1') with tf.Session(graph=g1) as sess1: print(sess1.run(c1)) # 4.0 # g1的图定义，包含pb的path, pb文件名，是否是文本默认False tf.train.write_graph(g1.as_graph_def(),'.','graph.pb',False)
读取
import tensorflow as tf#load graph with tf.gfile.FastGFile("./graph.pb",'rb') as f: graph_def = tf.GraphDef() graph_def.ParseFromString(f.read()) tf.import_graph_def(graph_def, name='') sess = tf.Session() c1_tensor = sess.graph.get_tensor_by_name("c1:0") c1 = sess.run(c1_tensor) print(c1) # 4.0
穿插调用
g1 = tf.Graph() with g1.as_default(): # 声明的变量有名称是一个好的习惯，方便以后使用 c1 = tf.constant(4.0, name="c1") g2 = tf.Graph() with g2.as_default(): c2 = tf.constant(20.0, name="c2") with tf.Session(graph=g2) as sess1: # 通过名称和下标来得到相应的值 c1_list = tf.import_graph_def(g1.as_graph_def(), return_elements = ["c1:0"], name = '') print(sess1.run(c1_list[0]+c2)) # 24.0
指定计算图的运行设备
g = tf.Graph() # 指定计算运行的设备 with g.device('/gpu:0'): result = a + b
计算图资源管理
在一个计算图中，可以通过集合来管理不同的资源。
比如通过 tf.add_to_collection 将资源加入一个或多个集合中，然后通过 tf.get_collection 获取一个集合里的所有资源
函数总结
参考资料：
https://www.cnblogs.com/q735613050/p/7632792.html
https://www.jianshu.com/p/b636de7c251a tensorflow中的Graph（图）和Session（会话）的关系 用生活例子形象解释了二者关系
