深度学习基础之《TensorFlow框架（2）—图》

一、什么是图结构

1、图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据
图结构：数据(Tensor) + 操作(Operation)

二、图相关操作

1、默认图
通常TensorFlow会默认帮我们创建一张图

查看默认图的两种方法：
（1）通过调用tf.compat.v1.get_default_graph()访问，要将操作添加到默认图形中，直接创建OP即可
（2）op、sess都含有graph属性，默认都在一张图中
注：2.x版本（使用默认图）不支持调用属性，会报错“AttributeError: Tensor.graph is meaningless when eager execution is enabled.”

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

def tensorflow_demo():
    """
    TensorFlow的基本结构
    """

    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 2.0版本不需要开启会话，已经没有会话模块了

    return None

def graph_demo():
    """
    图的演示
    """
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.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)

    return None

if __name__ == "__main__":
    # 代码1：TensorFlow的基本结构
    # tensorflow_demo()
    # 代码2：图的演示
    graph_demo()

python3 day01_deeplearning.py

TensorFlow加法运算结果：
 tf.Tensor(5, shape=(), dtype=int32)
5
default_g：
 

2、创建图
（1）可以通过tf.Graph()自定义创建图
（2）如果要在这张图中创建OP，典型用法是使用tf.Graph.as_default()上下文管理器

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

def tensorflow_demo():
    """
    TensorFlow的基本结构
    """

    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 2.0版本不需要开启会话，已经没有会话模块了

    return None

def graph_demo():
    """
    图的演示
    """
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.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)

    # 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("b_new的图属性：\n", b_new.graph)

    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as sess:
        c_new_value = sess.run(c_new)
        print("c_new_value：\n", c_new_value)
        print("我们自己创建的图为：\n", sess.graph)
    return None

if __name__ == "__main__":
    # 代码1：TensorFlow的基本结构
    # tensorflow_demo()
    # 代码2：图的演示
    graph_demo()

python3 day01_deeplearning.py

TensorFlow加法运算结果：
 tf.Tensor(5, shape=(), dtype=int32)
5
default_g：
 
c_new：
 Tensor("add:0", shape=(), dtype=int32)
a_new的图属性：
 
b_new的图属性：
 
c_new_value：
 50
我们自己创建的图为：
 

说明：
（1）默认图执行结果是tf.Tensor(5, shape=(), dtype=int32)
（2）自定义图执行结果是Tensor("add:0", shape=(), dtype=int32)
（3）自定义图没有即时执行，需要开启Session指定图来执行
（4）可以看到默认图地址为0x7f19806c4d68，自定义图地址为0x7f19809f5748