TensorFlow Graph 操作

转载请注明作者和出处： http://blog.csdn.net/john_bh/

1.创建图

在tensorflow中，一个程序默认是建立一个图的，除了系统自动建立图以外，还可以手动建立图，并做一些其他的操作。

tf.Graph() 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。
tf.Graph() 函数非常重要，注意体现在两个方面：

1. 通过tensorboard用图形化界面展示出来流程结构;
2. 整合一段代码为一个整体存在于一个图中。

tf.Graph().as_default() 表示将这个类实例，也就是新生成的图作为整个 tensorflow 运行环境的默认图，如果只有一个主线程不写也没有关系，tensorflow 里面已经存好了一张默认图，可以使用 tf.get_default_graph() 来调用（显示这张默认纸），当你有多个线程就可以创造多个tf.Graph()，就是你可以有一个画图本，有很多张图纸，这时候就会有一个默认图的概念了。

下面使用tf.Graph函数建立图，使用tf.get_default_graph函数来获取图，使用reset_default_graph对图进行重置。

import tensorflow as tf
import numpy as np

c = tf.constant(1.5)
g = tf.Graph()

with g.as_default():
    c1 = tf.constant(2.0)
    print(c1.graph)
    print(g)
    print(c.graph)

g2 = tf.get_default_graph()
print(g2)

tf.reset_default_graph()
g3 = tf.get_default_graph()
print(g3)

根据上述的运行结果，c是在刚开始的默认图中建立的，所以打印的结果就是13376A1FE10，和g2获取的默认图的值是一样的，然后使用tf.Graph建立了一个新的图，并添加了变量c1，最后又对图进行了重置，替代了原来的默认图。

在使用reset_default_graph()函数的时候，要保证当前图中资源都已经全部进行了释放，否则将会报错。

2.获取张量

我们可以在图中通过名字得到其对应的元素，比如获取图中的变量和OP等元素。

import tensorflow as tf
import numpy as np

g = tf.Graph()

with g.as_default():
    c1 = tf.constant(2.5, name='c1_constant')
    c2 = tf.Variable(1.5, dtype=tf.float32, name='c2_constant')
    add = tf.multiply(c1, c2, name='op_add')

    c_1 = g.get_tensor_by_name(name='c1_constant:0')
    c_2 = g.get_tensor_by_name(name='c2_constant:0')
    c_3 = g.get_tensor_by_name(name='op_add:0')


    print(c_1)
    print(c_2)
    print(c_3)

在进行测试时，我们为元素添加了变量名，在设置变量名的时候，设置好的名字会自动添加后面的：0字符。一般我们可以将名字打印出来，在将打印好的名字进行回填。

3.获取节点操作

获取节点操作OP的方法和获取张量的方法非常类似，使用get_operation_by_name.下面是运行实例：

import tensorflow as tf
import numpy as np

a = tf.constant([[1.0, 2.0]])
b = tf.constant([[1.0], [3.0]])

tensor_1 = tf.matmul(a, b, name='matmul_1')

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    t1 = tf.get_default_graph().get_operation_by_name(name='matmul_1')
    t2 = tf.get_default_graph().get_tensor_by_name(name='matmul_1:0')
    print(t1)
    print('t1: ', sess.run(t1))
    print('t2: ', sess.run(t2))

在上述的代码中，定义了一个OP操作，命名为matmul_1，在运行时我们将op打印出来，在使用名字后面加上：0我们就能得到OP运算的结果的tensor，注意这两者的区别。

我们还可以通过get_opreations函数获取图中的所有信息。此外，我们还可以使用tf.Grapg.as_graph_element函数将传入的对象返回为张量或者op。该函数具有验证和转换功能。