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 #计算图能够隔离张量和计算也能够指定计算设备 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。并无保存数组，保存的是如何获得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（惟一标识） 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,) 觉得数组，长度为2 21 22 #dtype=float32 每一个张量类型惟一，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，张量能够得到计算结果 （张量自己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 #建立会话 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 #也能够使用python上下文管理器机制，吧全部的计算放在with中，上下文管理器推出是自动释放全部资源，能够避免忘记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 经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，须要手动指定 指定后能够经过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来配置须要生成的会话 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