计算图

计算图是Tensorflow一个基本概念，Tensorflow中的所有计算都会被转化为计算图上的节点。Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
注意：不同计算图上的张量和计算不会共享

TENSORFLOW入门教程三—计算图

常用方式

1.获取tensor的图以及当前默认图

x = tf.constant([[1,2],[3,4]])
print(x.graph is tf.get_default_graph())

2.新建图有多种方式

# 新建图并作为默认图
tf.reset_default_graph()
# 新建一个图
tf.Graph()

注意tf.reset_default_graph()使用是有范围限制的 【tensorflow】重置/清除计算图
测试一下

tf.get_default_graph()
# <tensorflow.python.framework.ops.Graph at 0x17c95f03b38>

g1 = tf.Graph()
with g1.as_default():
    y = tf.Variable(0,name='y_1')

y.graph
# <tensorflow.python.framework.ops.Graph at 0x17c96fc09e8>

这里的测试比较详细 【TensorFlow】tf.reset_default_graph()函数

tensorflow的计算图不仅可以隔绝张量和计算，它还提供了管理和计算的机，计算图可以通过tf.Graph().device()函数指定运行计算的设备。下面程序将加法泡在GPU上

import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
    a = tf.constant([1,2])
    b = tf.constant([2,3])
    with g1.device('/gpu:0'):
        result = a + b
with tf.Session(graph=g1) as sess:
    print(sess.run(result))

管理计算图的资源

在计算图中，可以通过集合(collection)来管理不同类别的资源，通过tf.add_to_collection()函数可以将资源加入一个或多个集合中，然后通过tf.get_collection()获取一个集合里面的所有资源，这里的资源可以是张量，变量或者运行Tensorflow程序所需要的队列资源。Tensorflow也自动管理一些最常用的集合。
tf.GraphKeys.VARIABLES 所有变量
tf.GraphKeys.TRAINABLE_VARIABLES 可学习的变量
tf.GraphKeys.SUMMARIES 日志生成相关的张量
tf.GraphKeys.QUEUE_RUNNERS 日志生成相关的张量
tf.GraphKeys.MOVING_AVERAGE_VARIABLES 所有计算了滑动平均值的变量

未完待续