标签：use 调用 方便 技术 输入 出现 collect 注意 alt
1.计算图的概念：
计算图：输入和计算函数都以节点的形式出现，而节点的输出项之间的关系以有向线段表示所构成的计算图形。
如：向量a， b 相加：
2. 计算图的使用：
注意：Tensorflow程序一般分两步：定义计算图中所有计算；执行计算
在tensorflow代码执行的时候，tensorflow会自定定义一个默认的计算图，可以通过tf.get_default_graph函数来获取当前默认的计算图
import tensorflow as tf ‘‘‘tensorflow程序第一步：定义计算图中所有计算‘‘‘ a=tf.constant([1.0, 2.0], name="a") b=tf.constant([2.0, 3.0], name="b") result=a+b ‘‘‘判断a节点是不是在默认节点中‘‘‘ print(a.graph is tf.get_default_graph()) print(b.graph is tf.get_default_graph()) 输出： True True
当然，可以使用tf.Graph函数来生成新的计算图。
注意：计算图其实是一种数据结构，则上面的数据和运算不会相互共享。
import tensorflow as tf ‘‘‘tensorflow第一步：定义所有计算‘‘‘ g1=tf.Graph() with g1.as_default(): ‘‘‘在计算图g1中定义变量“v"，并初始化为0‘‘‘ v=tf.get_variable( "v", shape=[1,2],initializer=tf.zeros_initializer ) g2=tf.Graph() with g2.as_default(): ‘‘‘在计算图g2中定义变量“v"，初始化为1‘‘‘ v=tf.get_variable( "v", shape=[2,3],initializer=tf.ones_initializer ) ‘‘‘tensorflow第二步：运行计算‘‘‘ with tf.Session(graph=g1) as sess: tf.initialize_all_variables().run() #初始化所有变量 with tf.variable_scope("", reuse=True): print(sess.run(tf.get_variable("v"))) #获取变量v with tf.Session(graph=g2) as sess: tf.initialize_all_variables().run() with tf.variable_scope("", reuse=True): print(sess.run(tf.get_variable("v"))) 输出： [[0. 0.]] [[1. 1. 1.] [1. 1. 1.]]
计算图由节点和关系构成，那么计算图的资源如何给用户比较方便的调用呢？
在一个计算图中可以使用集合（collection）来管理整个资源。这里的资源具体指的是张量，变量，或者队列等。
tf.add_to_collection函数将资源加入一个或者多个collection
tf.get_collection函数，获取指定collection中的所有资源
几个常用的集合
标签：use 调用 方便 技术 输入 出现 collect 注意 alt
原文地址：https://www.cnblogs.com/ALINGMAOMAO/p/11711054.html
