• 前言

        TensorFlow程序通常被组织成一个构建图阶段和一个执行图阶段

        在构件阶段，数据（张量Tensor）与操作（节点op）的执行步骤被描述成一个图；

        在执行阶段，使用会话（Session）执行构建好的图中的操作，图必须在会话里被启动；

一、默认图

TensorFlow会默认帮我们创建一张图

查看默认图的两种方法：

1. 调用方法 tf.get_default_graph()

2. op、sess中都含有graph属性，默认都在一张图中，可查看属性

代码演示：

import tensorflow as tf
 
def graph_demo():
    """
    图的演示
    """
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    
    # 查看默认图
    #方法1：调用方法
    default_g = tf.get_default_graph()
    print("default_g:\n",default_g)
 
    #方法2：查看属性
    print("a_t的图属性：\n",a_t.graph)
    print("c_t的图属性：\n",c_t.graph)
 
    #打开会话
 
    with tf.Session() as sess:
 
        c_t_value = sess.run(c_t)
 
        print("c_t_value:\n",c_t_value)
 
        print("session的图属性：\n",sess.graph)
    
    return None
 
 
if __name__ ==  "__main__":
    graph_demo()

输出结果：

default_g:
 <tensorflow.python.framework.ops.Graph object at 0x000001AFB4903E48>
a_t的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001AFB4903E48>
c_t的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001AFB4903E48>
c_t_value:
 5
session的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001AFB4903E48>

二、自定义图（创建图）

可以用tf.Graph()自定义创建图，如，new_g = tf.Graph()，

如果想在自定义的图里面定义数据和操作：

典型用法是使用tf.Graph.as_default()构成上下文管理器，在上下文管理器中去定义数据和操作

   演示代码如下：

import tensorflow as tf
 
def graph_demo():
    """
    图的演示
    """
 
    # 自定义图
 
    new_g = tf.Graph()
 
    # 在自己的图中定义数据和操作
 
    with new_g.as_default():
 
        a_new = tf.constant(20)
 
        b_new = tf.constant(30)
 
        c_new = a_new + b_new
 
        print("c_new:\n",c_new)
 
        print("a_new的图属性：\n",a_new.graph)
 
        print("c_new的图属性：\n",c_new.graph)
 
    # 开启new_g的会话
    with tf.Session(graph = new_g) as new_sess:
        c_new_value = new_sess.run(c_new)
        print("c_new_value:\n",c_new_value)
        print("new_session的图属性：\n",new_sess.graph)
 
    return None
 
if __name__ ==  "__main__":
    graph_demo()

输出结果：

c_new:
 Tensor("add:0", shape=(), dtype=int32)
a_new的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000029370046B70>
c_new的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000029370046B70>
c_new_value:
 50
new_session的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000029370046B70>

可以看到默认图与自定义图输出的图属性不同

注意：

1. 在with tf.Session()中通过参数 graph = xxx指定当前会话所运行的计算图

2. 如果没有显式指定张量和操作所属的计算图，则这些张量和操作属于默认计算图

3. 一个图可以在多个sess中运行，一个sess也能运行多个图

对于注意的第一条，如果不指定graph参数会出现什么结果，对此进行测试：

测试代码如下：

import tensorflow as tf 
 
def graph_demo():
    """
    图的演示
    """
 
    #默认图
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
       
    #打开会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
 
        #试图运行自定义图中的数据、操作
        c_new_value = sess.run(c_new)
 
        print("c_t_value:\n",c_t_value)
        print("c_new_value:\n",c_new_value)
 
    return None
 
 
if __name__ ==  "__main__":
    
    graph_demo()

总共两个图，一个默认图，一个自定义图，在不指定graph参数时，运行结果如下：

ValueError: Fetch argument <tf.Tensor 'add:0' shape=() dtype=int32> cannot be interpreted as a Tensor. (Tensor Tensor("add:0", shape=(), dtype=int32) is not an element of this graph.)

报错了，为什么呢？

在创建一个新的会话Session时，要遵循如下规则：

class Session

def __init__(self,target='',graph=None,config=None)

其中graph=None,指的是运行默认图，在开启自定义图时，要设置graph = new_g

import tensorflow as tf 
 
def graph_demo():
    """
    图的演示
    """
 
    #默认图
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
       
    #打开会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n",c_t_value)
       
    with tf.Session(graph=new_g) as sess:
        #试图运行自定义图中的数据、操作
        c_new_value = sess.run(c_new)
        print("c_new_value:\n",c_new_value)
 
    return None
 
 
if __name__ ==  "__main__":
    graph_demo()

这时运行结果如下：

c_t_value:
 5
c_new_value:
 50

———————————————————————————————————————————————————————

小Tips：

在运行TensorFlow程序时，程序可以运行，但是会出现一句警告

I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2

警告指出你的CPU支持AVX运算加速了线性代数计算，即点积，矩阵，乘法，卷积等。

简单来说，你的CPU支持加速计算，但你没有用，然后就出现警告，哈哈哈，是不是挺有意思，但看着感觉还是不太爽

我们在安装TensorFlow时大多都是通过pip install方式安装，因此这种加速操作用不了，想要用起来，可以通过源代码的方式安装TensorFlow来编译，安装教程百度一下还是挺多的。

当然也可以选择关闭这个提示，只需在程序开头加上两行代码，让其不显示相关日志

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

———————————————————————————————————————————————————————

哈哈，第一次写博客，不太习惯，欢迎各位大佬指正

原文链接:https://blog.csdn.net/DAI_KAI_KAI/article/details/104788753