1. Tensorflow : 計算圖

Tensorflow的運行機制包括兩部分，一個是tensor, 一個是flow.

• Tensor表明tensorflow所用的數據類型
• flow也就是計算圖，表明tensor之間的關係

所以在構建tensorflow的運行程序的時候，就包括兩個步驟:

1. 構建tensoflow計算圖(Graph)
2. 執行tensorflow計算圖(Session)

1. 計算圖的使用與注意事項

1.1 計算圖的構建

    在tensorflow中定義tensor, tensorflow會自動將定義的tensor轉化爲計算圖的一個節點，比如:

import tensorflow as tf
a = tf.constant([1, 2], name='a')
b = tf.constant([2, 3], name='b')
result = a + b
print(result)  # Tensor("add:0", shape=(2,), dtype=int32)

    如果直接運行result, 打印出來的是result這個tensor，而不是result中的值，這是因爲上面的code只是在計算圖中定義了節點，而沒有執行。
     可以通過tensorboard查看定義的tensor.

1.2 計算圖注意事項

     如果沒有顯式定義計算圖，tensorflow會自動維護默認的計算圖

print(a.graph is tf.get_default_graph()) # True

     如果不使用tensorflow自動維護的默認計算圖，也可以通過tf.Graph()來進行生成graph. 並且每個graph中的變量是不能進行共享的。

• 從下面的代碼可以看出g1和g2上面都有一個tensor爲a, 但是兩個計算圖不共享變量。

import tensorflow as tf

g1 = tf.Graph()
print(g1)         ##<tensorflow.python.framework.ops.Graph object at 0x7f1a8eb73198>
with g1.as_default():
    a = tf.get_variable('v', shape=[1,], initializer=tf.zeros_initializer)
    print(a.graph) #<tensorflow.python.framework.ops.Graph object at 0x7f1a8eb73198>

g2 = tf.Graph()
with g2.as_default():
    a = tf.get_variable('v', shape=[1,], initializer=tf.ones_initializer)
    print(a.graph) # <tensorflow.python.framework.ops.Graph object at 0x7f4ebc882208>


with tf.Session(graph=g1) as sess:
    init =tf.global_variables_initializer()
    sess.run(init)
    with tf.variable_scope('', resue=tf.AUTO_REUSE):
        sess.run(tf.get_variable('v', shape=[1,]))  # 0
with tf.Session(graph=g1) as sess:
	init =tf.global_variables_initializer()
	sess.run(init)
	with tf.variable_scope('', resue=tf.AUTO_REUSE):
		sess.run(tf.get_variable('v', shape=[1,]))  # 1

3. 集合

     tensorflow中的變量很多，所以需要將其變量組織起來，可以通過tf.add_to_collection和tf.get_collection添加和獲取集合中的所有變量。
     tensorflow還定義了一些常見的集合

		 - tf.GraphKeys.VARIABLES : 所有變量， tf.GraphKeys.Global_VARIABLES.
		 - tf.GraphKeys.TRAINABLE_VARIABLES: 可學習的變量