tensorflow学习（2）：计算图,tf.get_default_graph(),tf.Graph()

一、基本概念

顾名思义，TensorFlow的名字已经出卖了它的“灵魂”，TensorFlow=tensor（张量）+flow（流动）。TensorFlow是一个通过计算图的形式来表达计算的编程框架。其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。
计算图是TensorFlow中最基本的一个概念，TensorFlow中的所有计算都会被转化为计算图上的节点。
在这里插入图片描述

上图是两个张量进行某种计算的计算图，张量都用节点表示，边代表了计算之间的依赖关系，这里的operation其实也应该是个圆圈。
假设以上是加的关系，那么有代码如下：

import tensorflow as tf
import numpy as np
a = tf.constant([1,2])
b = tf.constant([2,3])

sum = a + b

with tf.Session() as sess:
    print(sess.run(sum))

二、tf.get_default_graph()

功能：这个函数可以获取当前默认的计算图
例如，在上述代码的with语句块中加入如下语句

#通过a.graph可以查看张量所属的计算图
print(a.graph is tf.get_default_graph()) #输出True

三、tf.Graph()

除了使用默认计算图，TensorFlow支持通过tf.Graph()来生成新的计算图。不同计算图上的张量和运算都不会共享

除了使用默认计算图，TensorFlow支持通过tf.Graph()来生成新的计算图。不同计算图上的张量和运算都不会共享

import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
    #定义变量v，并设置初始值为0
    v = tf.get_variable("v", shape = [1], initializer = tf.zeros_initializer)
g2 = tf.Graph()
with g2.as_default():
    #定义变量v，并设置初始值为1
    v = tf.get_variable("v", shape = [1], initializer = tf.ones_initializer)
#在计算图g1中读取变量v的值
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")))

#在计算图g2中读取变量v的值
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")))