一、摘要

TensorFlow中的图（Graph）是众多操作（Ops）的集合，它描述了具体的操作类型与各操作之间的关联。在实际应用中，我们可以直接把图理解为神经网络（Neural Network）结构的程序化描述。TensorFlow中的会话（Session）则实现图中所有操作，使得数据（Tensor类型）在图中流动（Flow）起来。平常学习或使用TensorFlow中，我们基本是构筑一个图，开启一个会话，然后run。但最近由于工作需要，我探索了多图（Multiple Graphs）方式。本文主要任务是简单记录学习过程，以备复阅。如果能给看官提供一丝帮助，那也是极好。

二、多图实现

(交代一下平台版本：PyCharm Community Edition 2016.3.2、Python3.5.2、tensorflow0.12.1）
片段一：多图的建立与默认图

import tensorflow as tf
import numpy as np
g1 = tf.Graph()  #建立图1
g2 = tf.Graph()  #建立图2
print('tf.get_default_graph()=',tf.get_default_graph())#获取默认图，并显示基本信息
print('g1                    =',g1)
print('g2                    =',g2)
print('------------------------------------')

片段一运行结果：
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AACC965550>
g1 = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
g2 = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FD68>
------------------------------------
从结果地址可以看出：默认图自动存在，手动建立的图与默认图完全不同

片段二：建立各图下的具体操作(Op)

with g1.as_default():#在with模块中，g1作为默认图x_data = np.random.rand(100).astype(np.float32)#定义图中具体操作y_data = x_data * 0.1 + 0.3W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))b = tf.Variable(tf.zeros([1]))y = W * x_data + bloss = tf.reduce_mean(tf.square(y - y_data))print('num-of-trainable_variables=', len(tf.trainable_variables()), ' num-of-global_variables=',len(tf.global_variables()))#统计变量个数print('g1                    =',g1)print('tf.get_default_graph()=',tf.get_default_graph())
print('tf.get_default_graph()=',tf.get_default_graph())
W2 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))#with模块外定义操作，比较模块内外变量个数变化情况
print('num-of-trainable_variables=',len(tf.trainable_variables()),' num-of-global_variables=',len(tf.global_variables()))
print('------------------------------------')

片段二运行结果：
num-of-trainable_variables= 2 num-of-global_variables= 2
g1 = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AACC965550>
num-of-trainable_variables= 1 num-of-global_variables= 1
------------------------------------
由运行结果可以看出：
a、如上所述，所建操作依附于默认图。使用with模块，在模块中让具体的图作为默认图。
b、退出with g.as_default()模块，原始默认图立马恢复（系统用栈来进行管理）
c、类似于tf.trainable_variables()、tf.global_variables()等都只针对此刻默认图里的变量，编写时要小心。
片段三：在各图下建立会话进行计算

with g1.as_default():sess1 = tf.Session(graph=g1)print('sess1',sess1)init = tf.global_variables_initializer()sess1.run(init)train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)for step in range(201):sess1.run(train)if step % 100 == 0:print(step, sess1.run(W), sess1.run(b))with g2.as_default():w = tf.Variable(1.0)b = tf.Variable(1.5)wb=w+bsess2 = tf.Session(graph=g2)sess2.run(tf.global_variables_initializer())
print(sess2.run(wb))#定义并初始化后，可以在模块外运行
print('sess2',sess2)

片段三的运行结果如下：
sess1 <tensorflow.python.client.session.Session object at 0x000001AACCA168D0>
0 [-0.41363323] [ 0.84654742]
100 [ 0.09930082] [ 0.30039138]
200 [ 0.09999922] [ 0.30000046]
2.5
sess2 <tensorflow.python.client.session.Session object at 0x000001AACC9FBE80>

由运行结果可以看出：在各自的图下建立各自的会话进行计算各不干扰

博文就到此结束，看官若有疑问，欢迎留言！

关于TensorFlow中的多图(Multiple Graphs)相关推荐

在tensorflow中的网格图问题--np.mgrid()
TensorFlow 中三种启动图用法
转自https://blog.csdn.net/lyc_yongcai/article/details/73467480 TensorFlow 中有三种启动图的方法:tf.Session(),tf.I ...
tensorflow tf.enable_eager_execution()（立即执行操作，不添加到稍后在“ tf.Session”中执行的图）
@tf_export("enable_eager_execution") def enable_eager_execution(config=None,device_policy= ...
在TensorFlow中使用深度学习GANs处理图像
设计师和摄影师用内容自动填补来补充图像中不想要的或缺失的部分.与之相似的技术还有图像完善和修复.实现内容自动填补,图像完善和修复的方法有很多.本文介绍的是 Raymond Yeh 和 Chen Che ...
在Tensorflow中使用深度学习构建图像标题生成器
by Cole Murray 通过科尔·默里(Cole Murray) 在Tensorflow中使用深度学习构建图像标题生成器 (Building an image caption generator ...
猪年快乐之TensorFlow中实现word2vec及如何结构化TensorFlow模型
猪年快乐之TensorFlow中实现word2vec及如何结构化TensorFlow模型导语今天是2019年新年第一天,首先祝福大家猪年大吉,在新的一年里多多学习,多多锻炼,身体健康,万事如意! ...
tensorflow中的seq2seq的代码详解
seq2seq模型详解中我们给出了seq2seq模型的介绍,这篇文章介绍tensorflow中seq 2seq的代码,方便日后工作中的调用.本文介绍的代码是版本1.2.1的代码,在1.0版本后,ten ...
卷积神经网络简介及其在TensorFlow中的实现
介绍: (Introduction:) Convolutional Neural Networks are deep neural networks that were designed typica ...
TensorFlow（2）图（默认图与自定义图） TensorBoard可视化
目录一.图 1.默认图 1.调用方法查看默认图属性 2..graph查看图属性代码 2.自定义图(创建图) 1.创建自定义图 2.创建静态图 3.开启会话(运行) 4.查看自定义图代码二.Te ...

关于TensorFlow中的多图(Multiple Graphs)

一、摘要

二、多图实现

关于TensorFlow中的多图(Multiple Graphs)相关推荐

最新文章

热门文章