在前面的文章中，我們已經完成了AI基礎環境的搭建（見文章：Ubuntu + Anaconda + TensorFlow + GPU + PyCharm搭建AI基礎環境），以及初步瞭解了TensorFlow的特點和基本操作（見文章：快速掌握TensorFlow（一）），接下來將繼續學習掌握TensorFlow。

本文主要是學習掌握TensorFlow的計算圖、會話操作。

 
計算圖是TensorFlow的核心概念，使用圖（Graph）來表示計算任務，由節點和邊組成。TensorFlow由前端負責構建計算圖，後端負責執行計算圖。
為了執行圖的計算，圖必須在會話（Session）裡面啟動，會話將圖的操作分發到CPU、GPU等裝置上執行。
下面將介紹如何在TensorFlow裡面建立會話、圖以及基本操作。

1、圖（Graph）
TensorFlow Python庫已經有一個預設圖 (default graph)，如果沒有建立新的計算圖，則預設情況下是在這個default graph裡面建立節點和邊。
在圖裡面新增節點非常方便。例如現在要建立這樣的計算圖，兩個張量相加，如下圖：
 
程式碼如下：

import tensorflow as tf 
a=tf.constant([1.0,2.0], name='a') 
b=tf.constant([3.0,4.0], name='b') 
result = tf.add(a,b)

現在預設圖就有了三個節點，兩個constant()，和一個add()。
為了真正使兩個張量相加並得到結果，就必須在會話裡面啟動這個圖。

2、會話（Session）
要啟動計算圖，首先要建立一個Session物件。
使用tf.Session()建立會話，呼叫run()函式執行計算圖。如果沒有傳入任何建立引數，會話構造器將啟動預設圖。如果要指定某個計算圖，則傳入計算圖引數（如g1），則建立會話方式為tf.Session(graph=g1)建立會話（Session）主要有以下三種方式：
（1）建立一個會話

#啟動預設圖
sess=tf.Session()
result_value = sess.run(result)
print(result_value)
# ==> [4.0 6.0]

# 任務完成, 關閉會話.
sess.close()
 

（2） 建立一個會話
Session在使用完後需要關閉以釋放資源，除了顯式呼叫close外，也可以使用“with”程式碼塊 來自動完成關閉動作。程式碼如下：

with tf.Session() as sess:
    result_value = sess.run(result)
    print(result_value)
    # ==> [4.0 6.0]

（3）建立一個預設的會話

sess=tf.Session()
with sess.as_default():
    result_value = result.eval()
    print(result_value)

當指定預設會話後，可以通過tf.Tensor.eval函式來計算一個張量的取值。

（4）建立一個互動式會話
在互動式環境下（例如IPython），使用設定預設會話的方式來獲取張量的取值更加方便，TensorFlow提供了一種在互動式環境下直接構建預設會話的函式：tf.InteractiveSession，該函式會自動將生成的會話註冊為預設會話，使用 tf.Tensor.eval()代替 Session.run()，程式碼如下：

sess= tf.InteractiveSession()
result_value = result.eval()
print(result_value)
sess.close()

3、構建多個計算圖
在TensorFlow中可以構建多個計算圖，計算圖之間的張量和運算是不會共享的，通過這種方式，可以在同個專案中構建多個網路模型，而相互之間不會受影響。
使用tf.Graph()函式構建圖，構建多個計算圖的方式如下：

# 構建計算圖g1
g1=tf.Graph()
with g1.as_default():
    # 在計算圖g1中定義變數'v',並設定初始值為0。
    v=tf.get_variable('v',initializer=tf.zeros_initializer()(shape = [1]))
    
# 構建計算圖g2
g2=tf.Graph()
with g2.as_default():
    # 在計算圖g2中定義變數'v',並設定初始值微1。
    v=tf.get_variable('v',initializer=tf.ones_initializer()(shape = [1]))

# 在計算圖g1中讀取變數'v'的取值
with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse=True):
        print(sess.run(tf.get_variable('v')))
        # 輸出結果[0.]

# 在計算圖g2中讀取變數'v'的取值
with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope('',reuse=True):
        print(sess.run(tf.get_variable('v')))
        # 輸出結果[1.]。

4、指定執行裝置
如果電腦有多個GPU，可以在圖、會話中指定要執行的裝置
（1）在圖中指定執行裝置

g=tf.Graph()
# 指定計算執行的裝置。
with g.device('/gpu:0'):
    result=tf.add(a,b)

（2）在會話中指定執行裝置

with tf.Session() as sess:
  with tf.device("/gpu:0"):
    result=tf.add(a,b)

執行的裝置用字串進行標識，目前支援的裝置包括：

• "/cpu:0": 機器的 CPU
• "/gpu:0": 機器的第一個 GPU，如果有的話
• "/gpu:1": 機器的第二個 GPU，以此類推

通過以上介紹，已經瞭解了圖、會話的基本操作，使用圖 (graph) 來表示計算任務，使用會話 (Session) 來執行圖。

接下來，我們將有更多講解TensorFlow的精彩內容，敬請期待！

推薦相關閱讀

• 【AI實戰】快速掌握TensorFlow（一）：基本操作
• 【AI實戰】快速掌握TensorFlow（二）：計算圖、會話
• 【AI實戰】快速掌握TensorFlow（三）：激勵函式
• 【AI實戰】快速掌握TensorFlow（四）：損失函式
• 【AI實戰】搭建基礎環境
• 【AI實戰】訓練第一個模型
• 【AI實戰】編寫人臉識別程式
• 【AI實戰】動手訓練目標檢測模型（SSD篇）
• 【AI實戰】動手訓練目標檢測模型（YOLO篇）
• 【精華整理】CNN進化史
• 大話卷積神經網路（CNN）
• 大話迴圈神經網路（RNN）
• 大話深度殘差網路（DRN）
• 大話深度信念網路（DBN）
• 大話CNN經典模型：LeNet
• 大話CNN經典模型：AlexNet
• 大話CNN經典模型：VGGNet
• 大話CNN經典模型：GoogLeNet
• 大話目標檢測經典模型：RCNN、Fast RCNN、Faster RCNN
• 大話目標檢測經典模型：Mask R-CNN
• 27種深度學習經典模型
• 淺說“遷移學習”
• 什麼是“強化學習”
• AlphaGo演算法原理淺析
• 大資料究竟有多少個V
• Apache Hadoop 2.8 完全分散式叢集搭建超詳細教程
• Apache Hive 2.1.1 安裝配置超詳細教程
• Apache HBase 1.2.6 完全分散式叢集搭建超詳細教程
• 離線安裝Cloudera Manager 5和CDH5（最新版5.13.0）超詳細教程