TensorFlow 中的图

import tensorflow as tf

A = [[1, 2, 3],
     [4, 5, 6]]

B = [[1, 1],
     [1, 1],
     [1, 1]]

# 自定义图 my_graph
my_graph = tf.Graph()

# 在自定义图中添加 数据节点 和 计算节点
with my_graph.as_default():
    A_tf = tf.constant(A, dtype=tf.int32)
    B_tf = tf.constant(B, dtype=tf.int32)
    C_tf = tf.matmul(A_tf, B_tf)
    
# 指定在自定义图中会话
with tf.Session(graph=my_graph) as sess:
    C = sess.run(C_tf)
    print(C)

# 输出为：
# [[ 6  6]
#  [15 15]]

---

计算节点的输出数据对象会被放置到输入数据对象所在的图中
当然， 如下，在不同图中交叉引用数据节点 和 计算节点是会报错的。在构建图时，各个数据对象和计算节点对象必须在当前图中，不同图之间的资源不能交叉引用。

import tensorflow as tf

A = [[1, 2, 3],
     [4, 5, 6]]

B = [[1, 1],
     [1, 1],
     [1, 1]]

# 自定义两个图 my_graph1，my_graph2
my_graph1 = tf.Graph()
my_graph2 = tf.Graph()

# 在自定义图 my_graph1 中添加 数据节点
with my_graph1.as_default():
    A_tf = tf.constant(A, dtype=tf.int32)
    B_tf = tf.constant(B, dtype=tf.int32)

# 在自定义图 my_graph2 中添加 计算节点
with my_graph2.as_default():
    C_tf = tf.matmul(A_tf, B_tf)

print('C_tf.graph is my_graph1:', C_tf.graph is my_graph1)
print('C_tf.graph is my_graph2:', C_tf.graph is my_graph2)

# 输出为：
# C_tf.graph is my_graph1: True
# C_tf.graph is my_graph2: False