1 import tensorflow as tf
 2 get_default_graph = "tensorflow_get_default_graph.png"
 3 # 当前默认的计算图 tf.get_default_graph
 4 print(tf.get_default_graph())
 5 
 6 # 自定义计算图
 7 # tf.Graph
 8 
 9 # g1中定义名字为v的变量 初始化为0
10 g1 = tf.Graph()
11 with g1.as_default():
12     v = tf.get_variable("v", shape=[1],
13                         initializer=tf.zeros_initializer())
14 
15 # g2中定义名字为v的变量 初始化为1
16 g2 = tf.Graph()
17 with g2.as_default():
18     v = tf.get_variable("v", shape=[1],
19                         initializer=tf.ones_initializer())
20 
21 # initialize_all_variables  Use `tf.global_variables_initializer` instead.
22 # 在计算图g1中读取变量v的取值  result is[ 0.]
23 with tf.Session(graph=g1) as sess:
24     # tf.initialize_all_variables().run()
25     tf.global_variables_initializer().run()
26     with tf.variable_scope("", reuse=True):
27         print(sess.run(tf.get_variable("v")))
28 
29 # 在计算图g2中读取变量v的取值  result is [1.]
30 with tf.Session(graph=g2) as sess:
31     # tf.initialize_all_variables().run()
32     tf.global_variables_initializer().run()
33     with tf.variable_scope("", reuse=True):
34         print(sess.run(tf.get_variable("v")))
35 
36 '''
37 #计算图可以隔离张量和计算也可以指定计算设备
38 g=tf.Graph()
39 #指定GPU
40 with g.device("/gpu:0"):
41     result=a+b
42 
43 '''
 1 import tensorflow as tf
 2 
 3 #tensor 张量 零阶张量是标量scalar 一阶张量是向量vector n阶张量理解为n维数组
 4 #张量在TensorFlow中不是直接采用数组的形式，只是运算结果的引用。并没有保存数组，保存的是如何得到这些数字的计算过程
 5 
 6 #tf.constan是一个计算，结果为一个张量，保存在变量a中
 7 a=tf.constant([1.0,2.0],name="a")
 8 b=tf.constant([2.0,3.0],name="b")
 9 
10 result=a+b
11 print(result)
12 #Tensor("add:0", shape=(2,), dtype=float32)
13 
14 result=tf.add(a,b,name="add")
15 print(result)
16 #Tensor("add_1:0", shape=(2,), dtype=float32)
17 #张量保存三个属性  名字name（唯一标识）  维度shape  类型 dtype
18 #张量的命名是node：src_output形式给出，node是节点名称，src_output是表示张量来自节点第几个输出
19 #add_1:0 说明是add节点的第一个输出（编号从0开始）
20 #shape=(2,) 以为数组，长度为2
21 
22 #dtype=float32 每个张量类型唯一，不匹配将报错
23 '''
24 a=tf.constant([1,2],name="a")
25 b=tf.constant([2.0,3.0],name="b")
26 result=a+b
27 print(result)
28 #ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b_1:0", shape=(2,), dtype=float32)'
29 '''
30 
31 #result.get_shape 获取张量的维度
32 print(result.get_shape)
33 # result
34 # <bound method Tensor.get_shape of <tf.Tensor 'add_1:0' shape=(2,) dtype=float32>>
35 
36 #当计算图构造完成后，张量可以获得计算结果 （张量本身没有存储具体的数字）
37 
38 
39 #使用session来执行定义好的运算 （也就是张量存储了运算的过程，使用session执行运算获取结果）
40 #创建会话
41 sess=tf.Session()
42 res=sess.run(result)
43 print(res)
44 #result is [ 3.  5.]
45 #关闭会话是本地运行使用到的资源释放
46 sess.close()
47 
48 #也可以使用python上下文管理器机制，吧所有的计算放在with中，上下文管理器推出是自动释放所有资源，可以避免忘记sess.close()去释放资源
49 
50 with tf.Session() as sess:
51     print(sess.run(result))
52 #[ 3.  5.]
53 
54 
55 #as_default 通过默认的会话计算张量的取值 会话不会自动生成默认的会话，需要手动指定 指定后可以通过eval来计算张量的取值
56 sess =tf.Session()
57 with sess.as_default():
58     print(result.eval())
59 #[ 3.  5.]
60 
61 #ConfigProto来配置需要生成的会话
62 #allow_soft_placement GPU设备相关
63 #log_device_palcement 日志相关
64 config=tf.ConfigProto(allow_soft_placement=True,
65                       log_device_placement=True)
66 sess1=tf.InteractiveSession(config=config)
67 sess2=tf.Session(config=config)
68 #Device mapping: no known devices.  tensorflow\core\common_runtime\direct_session.cc
69 #Device mapping: no known devices.
70 
71 
72 #PY\35\tensorflow\core\platform\cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2