TensorFlow实战之TensorFlow入门

3.1 TensorFlow计算模型–计算图

• 这是我第一次写博客，这学期有在上《机器学习》课程，现在上到深度学习方面了，刚好借此机会学习Google的深度学习框架TensorFlow。
• 我电脑上安装的是TensorFlow-gpu2.0版本，但本书用的v1.4版本。

主要书目：TensorFlow实战Google深度学习框架（第2版）
书籍百度云链接：https://pan.baidu.com/s/1JEZY4OOzr4qGpncPO26NOA
提取码：f0il

• 由于第一第二章是深度学习简介和TensorFlow环境搭建，就不再赘述了，环境搭建我推荐用Anaconda傻瓜式安装。主要从第三章TensorFlow入门开始开始记录和学习，而且我个人偏向于记录主要的内容，要用到的时候也方便来查。
• 重要的代码我尽量每条都给上注释，方便读者和自己查看，有疑问或错误的欢迎在评论区留言。

---

计算图

• TensorFlow中最重要的概念就是Tensor和Flow，Tensor的意思是张量，可以简单理解成多维数组。而Flow的意思是流，表明了张量之间通过计算的相互转换。
• TensorFLow是一种通过计算图的形式来表述计算的编程系统，计算图中的每一个节点表示一个计算，节点之间的边表示相互的依赖关系。
• 如果没有手动创建，TensorFlow会自动创建一个默认的graph。

代码

import tensorflow.compat.v1 as tf			# 由于我的版本是v2，为了使用v1语法这样导入
from tensorflow.python.client import device_lib		# 方便查看cpu、gpu设备信息
tf.disable_eager_execution()	# 取消v2版本中的动态图

print('设备信息：\n' + str(device_lib.list_local_devices()))  # 打印设备信息

g = tf.Graph()		# 手动创建一个图
g1 = tf.Graph()		# 创建另一个图，两个图相互独立

with g.as_default():		# 指定g这个图，graph.as_default()用于有多个图的时候
	a = tf.Variable(tf.constant([1.0], dtype = 'float'))	# 定义a的初始化方式，但未对其初始化
    b = tf.Variable(tf.constant([2.0], dtype = 'float'))
    result = a + b
with g1.as_default():
	v = tf.Variable(tf.constant([1.0, 2.0], dtype = 'float'))
	
with g.device('/gpu:0'):			# 指定图g在gpu：0上运行
    with tf.Session(graph = g) as sess:		# 在图g上创建会话
        sess.run(tf.global_variables_initializer())		# 初始化所有变量
        print(tf.get_default_graph())		# 打印当前的图
        print(sess.run(result))		# 打印result运行的结果
with g1.device('/cpu:0'):
	with tf.Session(graph = g1) as sess:		# 在图g上创建会话
		sess.run(tf.global_variables_initializer())	
		print(tf.get_default_graph())	
	    print(sess.run(v))		

运行结果：

设备信息：
[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 3556329453418332334
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 3188470579
locality {
  bus_id: 1
  links {
  }
}
incarnation: 3685845405683417136
physical_device_desc: "device: 0, name: GeForce GTX 950M, pci bus id: 0000:01:00.0, compute capability: 5.0"
]
<tensorflow.python.framework.ops.Graph object at 0x00000142900B06A0>
3
<tensorflow.python.framework.ops.Graph object at 0x000001428FFF7FD0>
[1. 2.]

从结果可以看出，两个Graph object的地址不同，是两个不同的、独立的图。

结语：以上内容和代码加入了自己的想法和验证，如有不当之处还请指正。
欢迎转载，标明出处。