当执行一个 TensorFlow 函数的时候，并不会马上执行运算，而是把运算存储到一个称为“图”（graph）的数据结构里面。
图存储的各种运算，只有在会话（session）里执行图，才会真正地执行。
图的构建
对于
c = tf.add(a, b)
e = tf.multiply(c, d)
它们所形成的图就是：
TensorFlow 用 Graph 这个容器数据结构来表示图。图的方法可以分为两类：
- 访问图中的数据
- 创建 GraphDef
访问图中的数据
有这么一些访问图数据的方法：
- get_tensor_by_name(name)：根据 name 返回张量。
- get_operation_by_name(name)：根据 name 返回运算。
- get_operations()：返回运算的列表。
- get_all_collection_keys()：返回集合的列表。
- get_collection(name, scope=None)：返回给定集合的值列表。
- add_to_collection(name, value)：添加值。
- add_to_collections(name, value)：添加值。
示例代码：
# 访问图中的数据
x1 = tf.constant(2, name='x1')
x2 = tf.constant(3, name='x2')
my_sum = x1 + x2
print(tf.get_default_graph().get_operations())
print(tf.get_default_graph().get_tensor_by_name('x1:0'))
[<tf.Operation 'x1' type=Const>, <tf.Operation 'x2' type=Const>, <tf.Operation 'add' type=Add>]
Tensor("x1:0", shape=(), dtype=int32)
其中 'x1:0' 表示的是 'name:index'，0 表示的是这个张量的索引。
创建 GraphDef
GraphDef 是序列化之后的 Graph。
GraphDef 以一种特殊的格式（protocol buffer 或 protobuf）存储图中的数据。protobuf 可以是二进制格式或者文本格式（长得像 JSON）。
在 GraphDef 中，所有的张量和运算都用节点来表示。每个节点都有 name/op/attr 这些字段。它的样子就像：
node {
name: { ... }
op: { ... }
attr { ... }
attr { ... }
...
versions { ... }
}
再通过一段代码来熟悉，as_graph_def 可以访问 TensorFlow 应用中的图：
a = tf.constant(666)
b = tf.constant(777)
sum1 = a + b
print(tf.get_default_graph().as_graph_def())
node {
name: "Const"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val:
}
}
}
}
node {
name: "Const_1"
op: "Const"
attr {
key: "dtype"
value {
type: DT_INT32
}
}
attr {
key: "value"
value {
tensor {
dtype: DT_INT32
tensor_shape {
}
int_val:
}
}
}
}
node {
name: "add"
op: "Add"
input: "Const"
input: "Const_1"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
versions {
producer:
}
tf.train 中的 write_graph 可以把图输出到文件。
函数签名如下：
write_graph(graph/graph_def, logdir, name, as_text=True)
代码示例：
print(tf.train.write_graph(tf.get_default_graph(), os.getcwd(), 'graph.dat', as_text=True))
此时会输出：
/your/path/graph.dat
即新生成了这个文件。
创建并运行会话
在 TensorFlow 里，都是先构建好 Graph，然后再在会话（session）中执行。
会话的创建
会话必须显式地创建，通过 tf.Session，它有 3 个参数：
- target：执行引擎（execution engine）的名称
- graph：启动的图实例
- config：配置
一般我们使用默认参数，那就是：
with tf.Session() as sess:
pass
会话的执行
session 最重要的方法就是 run()，它接收 4 个方法：
- fetches: 指定若干个需要执行的张量或运算
- feed_dict: 需要喂给张量的数据
- options: 配置参数
- run_metadata: 会话的输出数据
如果 fetches 是一个张量，run 会返回一个和张量等值的 ndarray。
t = tf.constant([6, 66, 666])
with tf.Session() as sess:
res = sess.run(t)
print(res)
[ ]
如果 fetches 是一个运算，run 会返回一个运算之后的 ndarray 值。
t1 = tf.constant(6)
t2 = tf.constant(66)
my_multiply = t1 * t2 with tf.Session() as sess:
res = sess.run(my_multiply)
print(res)
如果 fetches 是元素的集合，run 也会返回一个相应的集合。
t1 = tf.constant(6)
t2 = tf.constant(66) with tf.Session() as sess:
res1, res2 = sess.run([t1, t2])
print(res1)
print(res2)
输出到日志
TensorFlow 的日志是通过 tf.logging 实现的。示例代码：
import tensorflow.compat.v1 as tf tf.logging.set_verbosity(tf.logging.INFO)
t = tf.constant(6) with tf.Session() as sess:
res = sess.run(t)
tf.logging.info('Output: %f', res)
I0713 ::02.146098 <ipython-input--3ef84fc83efc>:] Output: 6.000000