TensorFlow入门：计算图和梯度流

背景：

边缘：输入或者输出参数
节点：是指的中间的操作过程
之后创建一个Graph，再然后在session中运行。我们也可以将训练的结果保存为一个Graph，然后将这个流图给到第三方去运行，同时第三方不必知道训练的过程

梯度流就是一个逐级求导的过程

代码演示:

#coding=utf-8
import tensorflow as tf
import numpy as np
import cv2 as cv
from tensorflow.python.platform import gfile
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def graphs_demo():
    # 创建3个常量
    a = tf.constant(4.0)
    b = tf.constant(5.0)
    c = tf.constant(6.0)
    # 在default的流图中计算result=a*b+c
    result = tf.add(tf.multiply(a, b), c)
    # 创建流图g1和g2
    g1 = tf.Graph()
    g2 = tf.Graph()

    # 在流图g1中计算result1
    with g1.as_default():
        a = tf.constant([3, 4])
        b = tf.constant([7, 8])
        result1 = tf.add(a, b, name="result_01")

    # 在流图g2中计算result2
    with g2.as_default():
        a = tf.constant([.3, .4])
        b = tf.constant([.7, .8])
        result2 = tf.add(a, b, name="result_01")

    # 创建一个针对g1的session，并在session中运行result1
    with tf.Session(graph=g1) as sess:
        print("g1 = ", sess.run(result1))

    # 创建一个针对g2的session，并在session中运行result2
    with tf.Session(graph=g2) as sess:
        print("g2 = ", sess.run(result2))

    # 创建一个针对default的session，并在session中运行result
    with tf.Session() as sess:
        ret = sess.run(result)
        print("result : ", ret)

    """
        这个比较有意思
        1.将g1的训练模型保存在当前目录，并命名为"graph1.pb"，结果是序列化文件可以跨平台使用的
        2.通过gfile将训练模型读取到f中
        3.创建一个空的流图
        4.从f中将训练模型导入到新定义的流图中
    """


    tf.train.write_graph(g1.as_graph_def(), ".", "graph1.pb", False)
    with gfile.FastGFile("./graph1.pb", 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
        tf.import_graph_def(graph_def, name='')

    # 创建一个会话
    sess = tf.Session()
    # 通过名称获取张量
    result1_tensor = sess.graph.get_tensor_by_name("result_01:0")
    # 运行这个训练模型，你将得到和之前在g1中相同的结果
    ret1 = sess.run(result1_tensor)
    print(ret1)

graphs_demo()

结果如下：

('g1 = ', array([10, 12], dtype=int32))
('g2 = ', array([1. , 1.2], dtype=float32))
('result : ', 26.0)
[10 12]