TensorFlow 程序一般可以分为两个阶段。在第一个阶段需要定义计算图中所有的计算 。比如在第 2 章的向量加法样例程序中首先定义了两个输入,然后定义了 一个计算来得到它们的和。
import tensorf low as tf
a= tf.constant([l.O, 2 .0], name=”a”)
b = tf.constant([2.0, 3.0], name=”b ”)
result = a + b
在 Python 中一般会采用“ impo口 tensorflow as tf”的形式来载入 TensorFlow,这样可以使用“ tf”来代替“ tensorflow”作为模块名称,使得整个程序更加简洁。
在 TensorFlow 程序中,系统会自动维护一个默认的计算图,通过 tf.get_default_graph 函数可以获取当前默认的计算图.
#通过a.graph可以查看张所属的计算圈。因为没有特意指定,所以这个计算图应该等于
#当前默认的计算圈。所以下面这个操作输出值为 True 。
print(a.graph is tf.get default graph())
除了使用默认的计算图, TensorFlow 支持通过 tf.Graph 函数来生成新的计算图
不同计算图上的张量和运算都不会共享
import tensorflow as tf
gl = tf.Graph()
with gl.as default () :
#在计算阁 gl 中定义变量“v”,并设置初始值为 0 。
v = tf.get variable(
” v ”, initializer=tf . zeros_initiali zer (shape=[l)))
g2 = tf.Graph()
with g2.as_default() :
#在计算阁g2中定义变量“v飞并设置初始值为 l 。
v = tf.get variable(
” v ”, i nitializer=tf. ones_initializer (shape= [l)))
#在计算图gl中读取变盘“v”的取值 。
with tf.Session(graph=gl) as sess :
tf.gl.bal variables initializer (). run ()
with tf.variable_scope (””, r euse=True ) :
#在计算图 gl 中,变量“ v”的取值应该为 0,所以下面这行会输出[ 0. )。
print(sess.run(tf.get variable (”v ”)))
#在计算图 g2 巾读取变量“ v”的取值。
with tf.Session (graph=g2 ) as sess:
tf.global_variables_initializer().run()
with tf.variable scope ("”, reuse=True ) :
#在计算图 g2 中,变量“v”的取值应该为 1 ,所以下面这行会输出[ l. )。
print(sess . run(tf .get variable (”v”)))
TensorFlow 中的计算图不仅仅可以用来隔离张量和计算,它还
提供了管理张量和计算的机制。计算图可以通过 tf.Graph.device 函数来指定运行计算的设
备。这为 TensorFlow 使用 GPU 提供了机制
g = tf.Graph()
#指定计算运行的设备。
W工 th g.device (’ / gpu :O ’):
result = a + b
在一个计算图中,可以通过集合 C collection )来管理不同类别的资
源