关于TensorFlow中的多图(Multiple Graphs)

关于TensorFlow中的多图(Multiple Graphs) - CSDN博客

http://blog.csdn.net/aiya_xiazai/article/details/58701092

---

关于TensorFlow中的多图(Multiple Graphs)

原创  2017年02月28日 22:46:54

• 标签：
• tensorflow /
• 基础教程 /
• 多图 /
• 多会话

一、摘要

   TensorFlow中的图（Graph）是众多操作（Ops）的集合，它描述了具体的操作类型与各操作之间的关联。在实际应用中，我们可以直接把图理解为神经网络（Neural Network）结构的程序化描述。TensorFlow中的会话（Session）则实现图中所有操作，使得数据（Tensor类型）在图中流动（Flow）起来。平常学习或使用TensorFlow中，我们基本是构筑一个图，开启一个会话，然后run。但最近由于工作需要，我探索了多图（Multiple Graphs）方式。本文主要任务是简单记录学习过程，以备复阅。如果能给看官提供一丝帮助，那也是极好。

二、多图实现

(交代一下平台版本：PyCharm Community Edition 2016.3.2、Python3.5.2、tensorflow0.12.1）
片段一：多图的建立与默认图

 import tensorflow as tf
 import numpy as np
 g1 = tf.Graph()  #建立图1
 g2 = tf.Graph()  #建立图2
 print('tf.get_default_graph()=',tf.get_default_graph())#获取默认图，并显示基本信息
 print('g1                    =',g1)
 print('g2                    =',g2)
 print('------------------------------------')

片段一运行结果：
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AACC965550>
g1              = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
g2              = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FD68>
------------------------------------
从结果地址可以看出：默认图自动存在，手动建立的图与默认图完全不同

片段二：建立各图下的具体操作(Op)

 with g1.as_default():#在with模块中，g1作为默认图
     x_data = np.random.rand(100).astype(np.float32)#定义图中具体操作
     y_data = x_data * 0.1 + 0.3
     W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
     b = tf.Variable(tf.zeros([1]))
     y = W * x_data + b
     loss = tf.reduce_mean(tf.square(y - y_data))
     print('num-of-trainable_variables=', len(tf.trainable_variables()), ' num-of-global_variables=',len(tf.global_variables()))#统计变量个数
     print('g1                    =',g1)
     print('tf.get_default_graph()=',tf.get_default_graph())
 print('tf.get_default_graph()=',tf.get_default_graph())
 W2 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))#with模块外定义操作，比较模块内外变量个数变化情况
 print('num-of-trainable_variables=',len(tf.trainable_variables()),' num-of-global_variables=',len(tf.global_variables()))
 print('------------------------------------')

片段二运行结果：
num-of-trainable_variables= 2  num-of-global_variables= 2
g1              = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AAC7C5FC50>
tf.get_default_graph() = <tensorflow.python.framework.ops.Graph object at 0x000001AACC965550>
num-of-trainable_variables= 1  num-of-global_variables= 1
------------------------------------
由运行结果可以看出：
a、如上所述，所建操作依附于默认图 。使用with模块，在模块中让具体的图作为默认图。
b、退出with g.as_default()模块，原始默认图立马恢复（系统用栈来进行管理）
c、类似于tf.trainable_variables()、tf.global_variables()等都只针对此刻默认图里的变量，编写时要小心。
片段三：在各图下建立会话进行计算

 with g1.as_default():
     sess1 = tf.Session(graph=g1)
     print('sess1',sess1)
     init = tf.global_variables_initializer()
     sess1.run(init)
     train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
     for step in range(201):
         sess1.run(train)
         if step % 100 == 0:
             print(step, sess1.run(W), sess1.run(b))


 with g2.as_default():
     w = tf.Variable(1.0)
     b = tf.Variable(1.5)
     wb=w+b
     sess2 = tf.Session(graph=g2)
     sess2.run(tf.global_variables_initializer())
 print(sess2.run(wb))#定义并初始化后，可以在模块外运行
 print('sess2',sess2)

片段三的运行结果如下：
sess1 <tensorflow.python.client.session.Session object at 0x000001AACCA168D0>
0 [-0.41363323] [ 0.84654742]
100 [ 0.09930082] [ 0.30039138]
200 [ 0.09999922] [ 0.30000046]
2.5
sess2 <tensorflow.python.client.session.Session object at 0x000001AACC9FBE80>

由运行结果可以看出：在各自的图下建立各自的会话进行计算各不干扰

博文就到此结束，看官若有疑问，欢迎留言！