TensorFlow计算图简介

       TensorFlow编程与C、C++、JAVA等高级程序设计语言有很大的不同。在高级程序设计语言中，都是一步一步计算的，每计算完一步就可以得到一个执行结果。在TensorFlow中，首先需要构建一个计算图，然后按照计算图启动一个会话，在会话中完成变量赋值，计算，得到最终结果等操作。因此，可以说TensorFlow是一个按照计算图设计的逻辑进行计算的编程系统。可以把这个计算图看作是一个有向图，每一个计算都可以看作图中的一个节点，节点之间的边反映了节点之间的依赖关系。

        TensorFlow的计算图可以分为两个部分：(1)构造部分，包含计算流图；(2)执行部分，通过session执行图中的计算。

        构造部分又分为两部分：(1)创建源节点；(2)源节点输出传递给其他节点做运算。

        TensorFlow默认图：TensorFlow python库中有一个默认图(default  graph)。节点构造器(op构造器)可以增加节点。

在TensorFlow中，系统会维护一个默认的计算图，可以通过tf.get_default_graph()获取。

        向默认的计算图中添加一个操作，可以使用下面的方式：

c = tf.constant(3.0) 
assert c.graph == tf.get_default_graph()

不使用默认的计算图编程方式如下：

g = tf.Graph()
with g.as_default():
    c = tf.constant(3.0)
    assert c.graph is g

#coding:utf-8
import tensorflow as tf

g1 = tf.Graph()
with g1.as_default():
    # 在图g1中定义初始变量v, 并设置初始值为0
    v = tf.get_variable("v", shape=[1], initializer = tf.zeros_initializer(dtype=tf.float32))

g2 = tf.Graph()
with g2.as_default():
    # 在图g1中定义初始变量v, 并设置初始值为1
    v = tf.get_variable("v", shape=[1], initializer = tf.ones_initializer(dtype=tf.float32))


with tf.Session(graph=g1) as sess:
    sess.run(tf.global_variables_initializer())
    with tf.variable_scope('', reuse=True):
        # 输出值为0
        print sess.run(tf.get_variable("v"))



with tf.Session(graph=g2) as sess:
    sess.run(tf.global_variables_initializer())
    with tf.variable_scope('', reuse=True):
       # 输出值为1
       print sess.run(tf.get_variable('v'))

       上面的程序分别创建了计算图，并采用了with代码块的方式访问数据和关闭session，运行不同的计算图的时候，得到的v的值是不一样的。

       还可以指定计算图运行在哪个设备上，具体代码如下：

g = tf.Graph()
# 指定计算运行的设备
with g.device('/gpu:0'):
    result = a + b

         其实，最直观的方式就是把TensorFlow的计算图想象成神经网络结构，在这个结构中每一个节点可以看作操作(op)，每个节点的连线就相当于与这个节点的输入，这个节点的输出的直接连线作为下一个直接相连的节点的输入。当计算图构造完成之后，还不能直接得到每个节点的值，必须启动session之后才能得到。

参考文献：

(1)TensorFlow计算模型-----计算图。点击打开链接

(2)关于TensorFlow计算图与tensor的理解。点击打开链接

(3)TensorFlow入门(三)----TensorFlow的计算图和tensor。点击打开链接