轉(zhuǎn)自https://blog.csdn.net/dcrmg/article/details/79028032

tf中可以定義多個計算圖，不同計算圖上的張量和運算是相互獨立的，不會共享。計算圖可以用來隔離張量和計算，同時提供了管理張量和計算的機(jī)制。計算圖可以通過Graph.device函數(shù)來指定運行計算的設(shè)備，為TensorFlow充分利用GPU/CPU提供了機(jī)制。
?

使用 g = tf.Graph()函數(shù)創(chuàng)建新的計算圖;

在with g.as_default():語句下定義屬于計算圖g的張量和操作

在with tf.Session()中通過參數(shù) graph = xxx指定當(dāng)前會話所運行的計算圖;

如果沒有顯式指定張量和操作所屬的計算圖，則這些張量和操作屬于默認(rèn)計算圖;

一個圖可以在多個sess中運行，一個sess也能運行多個圖

創(chuàng)建多個計算圖：

# -*- coding: utf-8 -*-) import tensorflow as tf# 在系統(tǒng)默認(rèn)計算圖上創(chuàng)建張量和操作 a=tf.constant([1.0,2.0]) b=tf.constant([2.0,1.0]) result = a+b# 定義兩個計算圖 g1=tf.Graph() g2=tf.Graph()# 在計算圖g1中定義張量和操作 with g1.as_default():a = tf.constant([1.0, 1.0])b = tf.constant([1.0, 1.0])result1 = a + bwith g2.as_default():a = tf.constant([2.0, 2.0])b = tf.constant([2.0, 2.0])result2 = a + b# 在g1計算圖上創(chuàng)建會話 with tf.Session(graph=g1) as sess:out = sess.run(result1)print 'with graph g1, result: {0}'.format(out)with tf.Session(graph=g2) as sess:out = sess.run(result2)print 'with graph g2, result: {0}'.format(out)# 在默認(rèn)計算圖上創(chuàng)建會話 with tf.Session(graph=tf.get_default_graph()) as sess:out = sess.run(result)print 'with graph default, result: {0}'.format(out)print g1.version # 返回計算圖中操作的個數(shù)

輸出：

with graph g1, result: [ 2. 2.] with graph g2, result: [ 4. 4.] with graph default, result: [ 3. 3.] 3

?

總結(jié)

以上是生活随笔為你收集整理的tensorflow中创建多个计算图(Graph)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。