tensorflow 中Graphs的相关文档

2.1 建立图(Building Graphs)

本节主要介绍建立tensorflow图的相关类或函数

* 核心图的数据结构（Core graph data structures）

tf.Graph

操作描述class tf.Graphtensorflow中的计算以图数据流的方式表示
一个图包含一系列表示计算单元的操作对象
以及在图中流动的数据单元以tensor对象表现tf.Graph.__init__()建立一个空图tf.Graph.as_default()一个将某图设置为默认图，并返回一个上下文管理器
如果不显式添加一个默认图，系统会自动设置一个全局的默认图。
所设置的默认图，在模块范围内所定义的节点都将默认加入默认图中tf.Graph.as_graph_def
(from_version=None, add_shapes=False)返回一个图的序列化的GraphDef表示
序列化的GraphDef可以导入至另一个图中(使用 import_graph_def())
或者使用C++ Session APItf.Graph.finalize()完成图的构建，即将其设置为只读模式tf.Graph.finalized返回True，如果图被完成tf.Graph.control_dependencies(control_inputs)定义一个控制依赖，并返回一个上下文管理器
with g.control_dependencies([a, b, c]):
# `d` 和 `e` 将在 `a`, `b`, 和`c`执行完之后运行.
d = …
e = …tf.Graph.device(device_name_or_function)定义运行图所使用的设备，并返回一个上下文管理器
with g.device('/gpu:0'): ...
with g.device('/cpu:0'): ...tf.Graph.name_scope(name)为节点创建层次化的名称，并返回一个上下文管理器tf.Graph.add_to_collection(name, value)将value以name的名称存储在收集器(collection)中tf.Graph.get_collection(name, scope=None)根据name返回一个收集器中所收集的值的列表tf.Graph.as_graph_element
(obj, allow_tensor=True, allow_operation=True)返回一个图中与obj相关联的对象，为一个操作节点或者tensor数据tf.Graph.get_operation_by_name(name)根据名称返回操作节点tf.Graph.get_tensor_by_name(name)根据名称返回tensor数据tf.Graph.get_operations()返回图中的操作节点列表tf.Graph.gradient_override_map(op_type_map)用于覆盖梯度函数的上下文管理器

#class tf.Graph#tensorflow运行时需要设置默认的图g = tf.Graph()with g.as_default():  # Define operations and tensors in `g`.  c = tf.constant(30.0)  assert c.graph is g##也可以使用tf.get_default_graph()获得默认图，也可在基础上加入节点或子图c = tf.constant(4.0)assert c.graph is tf.get_default_graph()
1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11

#tf.Graph.as_default#以下两段代码功能相同#1、使用Graph.as_default():g = tf.Graph()with g.as_default():  c = tf.constant(5.0)  assert c.graph is g#2、构造和设置为默认with tf.Graph().as_default() as g:  c = tf.constant(5.0)  assert c.graph is g
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

#tf.Graph.control_dependencies(control_inputs)# 错误代码def my_func(pred, tensor):  t = tf.matmul(tensor, tensor)  with tf.control_dependencies([pred]):    # 乘法操作(op)没有创建在该上下文，所以没有被加入依赖控制    return t# 正确代码def my_func(pred, tensor):  with tf.control_dependencies([pred]):    # 乘法操作(op)创建在该上下文，所以被加入依赖控制中    #执行完pred之后再执行matmul    return tf.matmul(tensor, tensor)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# tf.Graph.name_scope(name)# 一个图中包含有一个名称范围的堆栈，在使用name_scope(...)之后，将压(push)新名称进栈中，#并在下文中使用该名称with tf.Graph().as_default() as g:  c = tf.constant(5.0, name="c")  assert c.op.name == "c"  c_1 = tf.constant(6.0, name="c")  assert c_1.op.name == "c_1"  # Creates a scope called "nested"  with g.name_scope("nested") as scope:    nested_c = tf.constant(10.0, name="c")    assert nested_c.op.name == "nested/c"    # Creates a nested scope called "inner".    with g.name_scope("inner"):      nested_inner_c = tf.constant(20.0, name="c")      assert nested_inner_c.op.name == "nested/inner/c"    # Create a nested scope called "inner_1".    with g.name_scope("inner"):      nested_inner_1_c = tf.constant(30.0, name="c")      assert nested_inner_1_c.op.name == "nested/inner_1/c"      # Treats `scope` as an absolute name scope, and      # switches to the "nested/" scope.      with g.name_scope(scope):        nested_d = tf.constant(40.0, name="d")        assert nested_d.op.name == "nested/d"        with g.name_scope(""):          e = tf.constant(50.0, name="e")          assert e.op.name == "e"