在前面的文章中，我们已经完成了AI基础环境的搭建（见文章：Ubuntu + Anaconda + TensorFlow + GPU + PyCharm搭建AI基础环境），以及初步了解了TensorFlow的特点和基本操作（见文章：快速掌握TensorFlow（一）），接下来将继续学习掌握TensorFlow。

本文主要是学习掌握TensorFlow的计算图、会话操作。

 
计算图是TensorFlow的核心概念，使用图（Graph）来表示计算任务，由节点和边组成。TensorFlow由前端负责构建计算图，后端负责执行计算图。
为了执行图的计算，图必须在会话（Session）里面启动，会话将图的操作分发到CPU、GPU等设备上执行。
下面将介绍如何在TensorFlow里面创建会话、图以及基本操作。

1、图（Graph）
TensorFlow Python库已经有一个默认图 (default graph)，如果没有创建新的计算图，则默认情况下是在这个default graph里面创建节点和边。
在图里面添加节点非常方便。例如现在要创建这样的计算图，两个张量相加，如下图：
 
代码如下：

import tensorflow as tf
a=tf.constant([1.0,2.0], name='a')
b=tf.constant([3.0,4.0], name='b')
result = tf.add(a,b)

现在默认图就有了三个节点，两个constant()，和一个add()。
为了真正使两个张量相加并得到结果，就必须在会话里面启动这个图。

2、会话（Session）
要启动计算图，首先要创建一个Session对象。
使用tf.Session()创建会话，调用run()函数执行计算图。如果没有传入任何创建参数，会话构造器将启动默认图。如果要指定某个计算图，则传入计算图参数（如g1），则创建会话方式为tf.Session(graph=g1)创建会话（Session）主要有以下三种方式：
（1）创建一个会话

#启动默认图
sess=tf.Session()
result_value = sess.run(result)
print(result_value)
# ==> [4.0 6.0]# 任务完成, 关闭会话.
sess.close()

（2） 创建一个会话
Session在使用完后需要关闭以释放资源，除了显式调用close外，也可以使用“with”代码块 来自动完成关闭动作。代码如下：

with tf.Session() as sess:result_value = sess.run(result)print(result_value)# ==> [4.0 6.0]

（3）创建一个默认的会话

sess=tf.Session()
with sess.as_default():result_value = result.eval()print(result_value)

当指定默认会话后，可以通过tf.Tensor.eval函数来计算一个张量的取值。

（4）创建一个交互式会话
在交互式环境下（例如IPython），使用设置默认会话的方式来获取张量的取值更加方便，TensorFlow提供了一种在交互式环境下直接构建默认会话的函数：tf.InteractiveSession，该函数会自动将生成的会话注册为默认会话，使用 tf.Tensor.eval()代替 Session.run()，代码如下：

sess= tf.InteractiveSession()
result_value = result.eval()
print(result_value)
sess.close()

3、构建多个计算图
在TensorFlow中可以构建多个计算图，计算图之间的张量和运算是不会共享的，通过这种方式，可以在同个项目中构建多个网络模型，而相互之间不会受影响。
使用tf.Graph()函数构建图，构建多个计算图的方式如下：

# 构建计算图g1
g1=tf.Graph()
with g1.as_default():# 在计算图g1中定义变量'v',并设置初始值为0。v=tf.get_variable('v',initializer=tf.zeros_initializer()(shape = [1]))# 构建计算图g2
g2=tf.Graph()
with g2.as_default():# 在计算图g2中定义变量'v',并设置初始值微1。v=tf.get_variable('v',initializer=tf.ones_initializer()(shape = [1]))# 在计算图g1中读取变量'v'的取值
with tf.Session(graph=g1) as sess:tf.global_variables_initializer().run()with tf.variable_scope('',reuse=True):print(sess.run(tf.get_variable('v')))# 输出结果[0.]# 在计算图g2中读取变量'v'的取值
with tf.Session(graph=g2) as sess:tf.global_variables_initializer().run()with tf.variable_scope('',reuse=True):print(sess.run(tf.get_variable('v')))# 输出结果[1.]。

4、指定运行设备
如果电脑有多个GPU，可以在图、会话中指定要运行的设备
（1）在图中指定运行设备

g=tf.Graph()
# 指定计算运行的设备。
with g.device('/gpu:0'):result=tf.add(a,b)

（2）在会话中指定运行设备

with tf.Session() as sess:with tf.device("/gpu:0"):result=tf.add(a,b)

运行的设备用字符串进行标识，目前支持的设备包括：

• "/cpu:0": 机器的 CPU
• "/gpu:0": 机器的第一个 GPU，如果有的话
• "/gpu:1": 机器的第二个 GPU，以此类推

通过以上介绍，已经了解了图、会话的基本操作，使用图 (graph) 来表示计算任务，使用会话 (Session) 来执行图。

接下来，我们将有更多讲解TensorFlow的精彩内容，敬请期待！

欢迎关注本人的微信公众号“大数据与人工智能Lab”（BigdataAILab），获取更多信息

推荐相关阅读

• 【AI实战】快速掌握TensorFlow（一）：基本操作
• 【AI实战】快速掌握TensorFlow（二）：计算图、会话
• 【AI实战】快速掌握TensorFlow（三）：激励函数
• 【AI实战】快速掌握TensorFlow（四）：损失函数
• 【AI实战】搭建基础环境
• 【AI实战】训练第一个模型
• 【AI实战】编写人脸识别程序
• 【AI实战】动手训练目标检测模型（SSD篇）
• 【AI实战】动手训练目标检测模型（YOLO篇）
• 【精华整理】CNN进化史
• 大话卷积神经网络（CNN）
• 大话循环神经网络（RNN）
• 大话深度残差网络（DRN）
• 大话深度信念网络（DBN）
• 大话CNN经典模型：LeNet
• 大话CNN经典模型：AlexNet
• 大话CNN经典模型：VGGNet
• 大话CNN经典模型：GoogLeNet
• 大话目标检测经典模型：RCNN、Fast RCNN、Faster RCNN
• 大话目标检测经典模型：Mask R-CNN
• 27种深度学习经典模型
• 浅说“迁移学习”
• 什么是“强化学习”
• AlphaGo算法原理浅析
• 大数据究竟有多少个V
• Apache Hadoop 2.8 完全分布式集群搭建超详细教程
• Apache Hive 2.1.1 安装配置超详细教程
• Apache HBase 1.2.6 完全分布式集群搭建超详细教程
• 离线安装Cloudera Manager 5和CDH5（最新版5.13.0）超详细教程