TensorFlow图的构建及执行

0. 前言

在使用TensorFlow要明确下面的概念：

1. 用图表示计算任务；
2. 在会话的上下文中执行图；
3. 数据用Tensor表示；
4. 变量用来维护状态；
5. feed为操作赋值，fetch获取数据；

TensorFlow的程序一般有如下2个阶段：

1. 构建阶段：构建图；
2. 执行阶段：将构建好的图在会话中执行得到结果。

1. 构建图

下面将用代码来简单模拟一下构建图：
在默认的图中添加数据和操作，对2个数据a, b（矩阵）执行乘法操作得到结果c；再将a c作为输入，进行矩阵相加的操作。

import tensorflow as tf
tf.compat.v1.disable_v2_behavior()
# 1. 定义2个常量
a = tf.constant([[1, 2], [3, 4]], dtype=tf.int32, name='a')
b = tf.constant([5, 6, 7, 8], dtype=tf.int32, shape=[2, 2], name='b')

# 2. a,b作为输入，进行矩阵乘法操作
c = tf.matmul(a, b)
print("变量a是否在默认图中：{}".format(a.graph is tf.compat.v1.get_default_graph()))
print("变量c是否在默认图中：{}".format(c.graph is tf.compat.v1.get_default_graph()))

输出

变量a是否在默认图中：True
变量c是否在默认图中：True

因为在TensorFlow库中有一个默认的图，可以直接在其上添加节点，上边就是在默认图上添加节点，所以在查看变量是否在默认图时，返回的是true。

除此之外，也可以自己创建图：

# 创建另一张图
my_graph1 = tf.Graph()

此时，遇到的问题是，如何区分默认图和新创建的图呢，如下：

with my_graph1.as_default():
    """此代码块中使用的是创建的图my_graph1"""
    m = tf.constant(7.0, name='const_m')
    print(m)
    print("变量m是否在默认图中：{}".format(m.graph is tf.compat.v1.get_default_graph()))
    print("变量m是否在新图my_graph1中：{}".format(m.graph is my_graph1))
    pass

输出

Tensor("const_m:0", shape=(), dtype=float32)
变量m是否在默认图中：True
变量m是否在新图my_graph1中：True

此处可能会有疑问，为什么都返回的是true；这是因为上边说明了在with下面的那个代码块中使用的是创建的新图，即这个代码块中默认的图就是我们创建的新图。

所以，把此句print("变量m是否在默认图中：{}".format(m.graph is tf.compat.v1.get_default_graph()))放在with外部，再运行就会有如下输出

变量m是否在默认图中：False

注意：还需要明确的一点是，对于不同的图，不能对他们的变量进行操作。

为了说明上面这个问题，再创建一个新图my_graph2，然后对my_graph1中的变量m和my_graph2中的变量n执行add操作，看会出现什么情况：

my_graph2 = tf.Graph()
with my_graph2.as_default():
    n = tf.constant(9.0, name='const_n')
    print("变量n是否在新图my_graph2中：{}".format(n.graph is my_graph2))
    pass

"""不能使用两个图中的变量进行操作"""
res = tf.add(m, n)

此时，程序会报错，有如下的错误提示：

Tensor("const_n:0", shape=(), dtype=float32) must be from the same graph

即必须是同一张图 ！

# 3. 以a,c作为输入，对矩阵进行相加操作
add_ac = tf.add(a, c, name='matrix_add')
print(add_ac)

2. 执行图

执行阶段是在会话的上下文中进行的，所以就会涉及到创建会话、运行、最后关闭。
需要注意的是，跟上面图的创建一样，默认情况下，创建的session是属于默认图的。

# 4.执行阶段：在Session的上下文中进行
"""会话创建、运行、关闭"""
sess = tf.compat.v1.Session()  # 属于默认图
result = sess.run(c)  # 调用run，执行矩阵乘法，得到c的结果
print("type：{}, \nvalue：\n{}".format(type(result), result))  # 打印类型及值
sess.close()  # 关闭会话

此句result = sess.run(c)中run方法中的参数，就是想要得到结果的变量；比如想得到c的值，就传递c；想得到add_ac的值就将add_ac传进去。

输出结果：

type：<class 'numpy.ndarray'>, 
value：
[[19 22]
 [43 50]]

如果想一起得到2个结果的值：c和add_ac，可以有如下写法：

result = sess.run(fetches=[c, add_ac])
print("type：{}, \nvalue：\n{}\n".format(type(result), result))  # 打印类型及值

此时result的类型就是一个列表了

type：<class 'list'>, 
value：
[array([[19, 22],
       [43, 50]]), array([[20, 24],
       [46, 54]])]

还需要注意的是，session是生命周期的，在关闭了之后就不能再对其进行操作了，不然就会出现此错误提示：RuntimeError: Attempted to use a closed Session.

上面需要在session用完了之后关闭，除了上面这种写法，还可以通过with来写，并且他就不需要人为close了（这种写法更加好）：

with tf.compat.v1.Session() as sess2:
    # 获得张量add_ac的结果
    print("sess2:\n",sess2.run(add_ac))
    pass

获得张量的结果有2中方法：c.eval()或者session.run(c)