TensorFlow中Graph和Session

0. 变量与常量

单元	定义	示例
占位符	相当于先占用内存中相应大小的单元，会话Session中计算时使用feed_dict传入数据	train_labels = tf.placeholder ( tf.int32,shape = [batch_size, 1])
常量	`定义一个常量有着恒定不变的值	valid_data = tf.constant( valid_example, dtype = tf.int32)
变量	变量的值在设置完成后可改变，但其数据类型和形状无法改变，如CNN中权重参数	embedding = tf.Variable( tf.random_uniform( [vocabulary_size, embedding_size] -1.0, 1.0)

1. 常见数据的初始化

（1）tf.zeros()
（2） tf.ones()
（3）tf.random_normal(）
（4）tf.truncated_normal()
（5）tf.random_uniform（）

上述变量初始化函数的使用在我的另一篇博文 TensorFlow常见变量初始化中有具体描述

2. Graph
所有不同的变量及对变量的操作均定义保存在图（Graph）中。

graph = tf.Graph()    		  #定义一个图（Graph）
with graph.as_default（）:	  #设置这个图作为默认图
#定义Graph中的数据和对数据的操作（如：特征的矩阵乘法、loss的计算、优化等操作）
#tf.placeholder定义的变量须在Session对数据进行操作的时候利用feed_dict传入值（如：训练数据、训练数据的标记等均需在session.run（）的时候使用feed_dict传入）
	train_input = tf.placeholder(tf.int32, shape = [batch_size])
	train_label = tf.placeholder(tf.int32, shape = [batch_size, 1])
	valid_data = tf.constant( valid_example, dtype = tf.int32)
	embedding  = tf.Variable( tf.random_uniform( [vocabulary_size, embedding_size]  -1.0, 1.0) 
	loss = tf.reduce_mean(
     tf.nn.nce_loss(weights =nce_weights,
                        biases=nce_bbiases,
                        labels = train_labels,
                        inputs = embed,
                        num_sampled = num_sampled,
                        num_classes = vocabublary_size))
     optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss)
     init = tf.global_variables_initializer()		

3. Session
定义好图（Graph）中的变量和操作后，在会话（Session）中运行即真正执行图（Graph）中定义的某些操作l来运行整个计算图。
会话开启的两种方式
（1）session = tf.Session()
（2）with tf.Session() as session:

 with tf.Session(graph = graph) as session:
    #变量在运行前先进行初始化操作
    init.run()
    #通过tf.placeholder定义的数据，通过feed_dict以字典形式传入值
    feed_dict = {train_inputs: batch_inputs, train_labels:batch_labels}
    _, loss_val = session.run([optimizer, loss],feed_dict=feed_dict)