1.计算图的概念
Tensorflow这个名字已经说明了它的含义,Tensor是张量的意思,可以理解为多维数组,表明了它的数据结构;Flow意思是“流”,则体现了它的计算模型,表示了张量之间计算相互转化的过程。
![](https://i-blog.csdnimg.cn/blog_migrate/35183b1bbf53a55981fc87f730d6b9c2.png)
Tensorflow通过计算图的形式来表达计算,其中的每一个计算都是计算图上的一个节点,连接节点的边则描述了计算之间的依赖关系。
如果一个运算的输入依赖另一个运算的输出,那么这两个运算就有依赖关系。上图中,a,b两个常量不相互依赖,但是add计算依赖a和b。
2.计算图的使用
在Tensorflow中,系统会自动维护一个默认的计算图,通过tf.get_default_graph()函数可以查看当前默认的计算图。
import tensorflow as tf
#获取默认计算图
print(tf.get_default_graph())
除了默认计算图,Tensorflow支持通过tf.
Graph()函数生成新的计算图。不同计算图上的张量和运算不共享。
g1 = tf.Graph()#创建一个新的计算图g1
with g1.as_default():
#在计算图g1中定义变量v并设置初始值
v = tf.get_variable('v', shape=[1], initializer=tf.zeros_initializer())
g2 = tf.Graph()#创建一个新的计算图g2
with g2.as_default():
#在计算图g1中定义变量v并设置初始值
v = tf.get_variable('v', shape=[1], initializer=tf.ones_initializer())
#在计算图g1中读取变量v
with tf.Session(graph=g1) as sess:
tf.initialize_all_variables().run()
with tf.variable_scope('', reuse=True):
print(sess.run(tf.get_variable('v')))
#在计算图g2中读取变量v
with tf.Session(graph=g2) as sess:
tf.initialize_all_variables().run()
with tf.variable_scope('', reuse=True):
print(sess.run(tf.get_variable('v')))
当运算不同的计算图时,变量v的值不一样。
Tensorflow中的计算图不仅仅可以用来隔离张量和计算,还提供管理张量和计算的机制。计算图可以通过tf.Graph().device()函数指定计算运行的设备。如:
g = tf.Graph()
# 指定计算运行的设备为Gpu
with g.device('/gpu:0'):
result = a + b
with tf.Session() as sess:
tf.initialize_all_variables().run()
print(sess.run(result))
参考:[1]《Tensorflow实战谷歌深度学习框架》