tensorflow 计算图和会话

文章目录

计算图
常用方式

计算图

计算图是Tensorflow一个基本概念，Tensorflow中的所有计算都会被转化为计算图上的节点。Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
在这里插入图片描述
TENSORFLOW入门教程三—计算图

常用方式

获取tensor的图以及当前默认图

x = tf.constant([[1,2],[3,4]])
print(x.graph is tf.get_default_graph())

新建图有多种方式

# 新建图并作为默认图
tf.reset_default_graph()
# 新建一个图
tf.Graph()

测试一下

tf.get_default_graph()
# <tensorflow.python.framework.ops.Graph at 0x17c95f03b38>

g1 = tf.Graph()
with g1.as_default():
    y = tf.Variable(0,name='y_1')

y.graph
# <tensorflow.python.framework.ops.Graph at 0x17c96fc09e8>

tensorflow的计算图不仅可以隔绝张量和计算，它还提供了管理和计算的机，计算图可以通过tf.Graph().device()函数指定运行计算的设备。下面程序将加法泡在GPU上

import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
    a = tf.constant([1,2])
    b = tf.constant([2,3])
    with g1.device('/gpu:0'):
        result = a + b
with tf.Session(graph=g1) as sess:
    print(sess.run(result))

在计算图中，可以通过集合(collection)来管理不同类别的资源，通过tf.add_to_collection()函数可以将资源加入一个或多个集合中，然后通过tf.get_collection()获取一个集合里面的所有资源，这里的资源可以是张量，变量或者运行Tensorflow程序所需要的队列资源。Tensorflow也自动管理一些最常用的集合。
tf.GraphKeys.VARIABLES 所有变量
tf.GraphKeys.TRAINABLE_VARIABLES 可学习的变量
tf.GraphKeys.SUMMARIES 日志生成相关的张量
tf.GraphKeys.QUEUE_RUNNERS 日志生成相关的张量
tf.GraphKeys.MOVING_AVERAGE_VARIABLES 所有计算了滑动平均值的变量

未完待续

本文链接：https://blog.csdn.net/weixin_40548136/article/details/108285335

智能推荐

《TensorFlow-实战Google深度学习框架》学习笔记计算图、张量、会话

3.1 TensorFlow计算模型——计算图 Tensor：是张量,可以简单理解为多维数组，相当于表明了数据结构 Flow：是流，表达张量之间通过计算相互转化的过程...

TensorFlow 高级之四（TensorFlow计算图）

TensorFlow计算图一、创建Session 以及变量初始化二、执行优化的帮助函数三、执行优化的帮助函数四、显示性能的帮助函数五、执行优化后性能 5.1 执行一轮优化后的性能 5.2 100轮优化后的性能 5.3 1000轮优化后的性能 5.4 10000轮优化后的性能...

TensorFlow北大公开课学习笔记-3.1张量计算图会话

注：本系列文章主要是复现北京大学TensorFlow笔记中的代码，方便以后使用，并没有详细讲解流程，因为我并不是专门做教程的。何况北大的教程讲的已经很好了，有需要了解详细过程的可以去看北大的教程哈。一、基本概念 √基于 Tensorflow 的 NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型。 √张量：张量就是多维数组（...

tensorflow（四）----会话

tensorflow----会话一、会话 1.会话的定义和典型流程会话提供了估计张量（打印张量）和执行操作的运行环境，他是发放计算认为的客户端，所有计算任务都由它连接的执行引擎完成。一个会话的典型使用流程分为以下三步： target：会话连接的执行引擎。 graph：会话加载的数据流图。当有多个数据流图时，需要指定一个数据流图加载。 config：会话启动时的配置项。注意: 用with......

冒泡排序，及改进方式，性能优化400%>>>附图解加源码

首先源码附上，源码中带有注释，看不懂没关系，源码后面附带图解，最后附上代码效率提升图源码如下：方案一：其实实现很简单，两层循环，每次内层迭代出最大的一个值，将其放入数组最后一个位置，外层循环的末端便往前移一位。其原理如下图方案一代码块：方案二：优化改进仔细观察上面的图，我们不难发现当迭代到图下这样的情况时，其实已经全排序好了，但是我们还是需要对它进行1，2，3，4，5，6的迭代，这些情况...