计算图
计算图是Tensorflow一个基本概念,Tensorflow中的所有计算都会被转化为计算图上的节点。Tensorflow中的每一个计算都是计算图上的一个节点,而节点之间的边描述了计算之间的依赖关系。
注意:不同计算图上的张量和计算不会共享
TENSORFLOW入门教程三—计算图
常用方式
1.获取tensor的图以及当前默认图
x = tf.constant([[1,2],[3,4]])
print(x.graph is tf.get_default_graph())
2.新建图有多种方式
# 新建图并作为默认图
tf.reset_default_graph()
# 新建一个图
tf.Graph()
注意tf.reset_default_graph()
使用是有范围限制的 【tensorflow】重置/清除计算图
测试一下
tf.get_default_graph()
# <tensorflow.python.framework.ops.Graph at 0x17c95f03b38>
g1 = tf.Graph()
with g1.as_default():
y = tf.Variable(0,name='y_1')
y.graph
# <tensorflow.python.framework.ops.Graph at 0x17c96fc09e8>
这里的测试比较详细 【TensorFlow】tf.reset_default_graph()函数
tensorflow的计算图不仅可以隔绝张量和计算,它还提供了管理和计算的机,计算图可以通过tf.Graph().device()
函数指定运行计算的设备。下面程序将加法泡在GPU上
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
a = tf.constant([1,2])
b = tf.constant([2,3])
with g1.device('/gpu:0'):
result = a + b
with tf.Session(graph=g1) as sess:
print(sess.run(result))
管理计算图的资源
在计算图中,可以通过集合(collection)来管理不同类别的资源,通过tf.add_to_collection()
函数可以将资源加入一个或多个集合中,然后通过tf.get_collection()
获取一个集合里面的所有资源,这里的资源可以是张量,变量或者运行Tensorflow程序所需要的队列资源。Tensorflow也自动管理一些最常用的集合。
tf.GraphKeys.VARIABLES
所有变量
tf.GraphKeys.TRAINABLE_VARIABLES
可学习的变量
tf.GraphKeys.SUMMARIES
日志生成相关的张量
tf.GraphKeys.QUEUE_RUNNERS
日志生成相关的张量
tf.GraphKeys.MOVING_AVERAGE_VARIABLES
所有计算了滑动平均值的变量
未完待续