tensorflow API简单整理（四、Graph，Operation&Tensor）

1.4BuildingGraph

tensorflow采用符号式编程，相对于一帮的命令式编程（c，java）来说，tensorflow将程序编写分为两个部分，一部分是构建图，另一部分是运行这个图。在构建图中可以使用变量、常量、控制流等各种方法。除此之外，还有一些图本身的属性和适合的方法，本节主要介绍这部分的内容。

从图的角度来说，api分为Coregraphdatastructures,tensorftype,utilityfunctions,graphcollections,definingnewoperations这几个部分，下面分别进行介绍。

1.4.1

Coregraphdatastructures部分主要包括graph,Operation,Tensor三个部分，分别代表图以及图中的操作和tensor两种主要类型。

1.4.1.1tf.Graph

tf.Graph表示tensorflow的一个类，新建一个Graph即表示一个图对象，其新建函数为tf.Graph.init(),不需要任何参数。主要有以下几种函数及变量。

tf.Graph.as_default()将当前图设置为默认图。新建一个tensorflow程序时，会自动启动一个默认图，大部分时候不需要进一步新增。如果需要新增，一般采用withtf.Graph().as_default()asg:这样一次性新建图并设置为默认。

tf.Graph.finalizer()将图设置为不可变的状态，即不可增加和修改。对应tf.Graph.finalized属性，返回是否可变的bool值

tf.Graph.control_dependencies(control_inputs)通过图来对tensor之间的依赖关系进行设置，control_inputs为需要在这个之前计算的变量或操作。一般采用withg.control_dependencies(a,b):在这个with语句包含的范围之内操作将在control_inputs计算完成之后再进行计算。

tf.Graph.device(device_nameorfunction)运算选择计算设备（CPU或GPU），一般有两种使用方式withg.device("/gpu:0")：意味着with包含的所有计算语句都是采用第1个GPU进行计算。或者较为复杂的function方式，这里还是用代码说明吧.

defmatmul_on_gpu(n):

 ifn.type=="MatMul":

   return"/gpu:0"

 else:

   return"/cpu:0"

withg.device(matmul_on_gpu):

以上代码，如果是matmul计算，则采用GPU，其余的采用CPU

tf.Graph.name_scope(name)这个函数返回一个graph内部的具有层级结构的scope，能对操作和变量进行空间限制。通过对相关博客以及参考文档的学习，name_scope主要面对于op进行操作，对变量的范围没有影响。变量应该使用variable_scope进行操作。

tf.Graph.add_to_colletion(name,value)类似的tf.Graph.get_collection(name,scope=Npne)分别是将变量增加到某个集合中或者从某个集合中取变量。

tf.Graph.as_graph_element(obj,allow_tensor=True,allow_operation=True)字面意思是返回一个图中与obj相关联的对象，为一个操作节点或者tensor数据，但是我没有搞清楚怎么用以及在什么地方用。

tf.Graph.get_operation_by_name(name)/tf.Graph.get_tensor_by_name(name)/tf.Graph.get_operations()三个类似的函数，分别返回op，tensor以及tensor列表。

tf.Graph.get_default_device()获取默认的计算设备

tf.Graph.gradient_override_map(op_type_map)该graph的梯度覆盖的上下文管理器，没有搞明白。

graph主要就是以上那些，还有几个函数，api文档上都说调用的不多，我就不写了。

1.4.1.2tf.Operation

Operation是teansorflow中操作节点的抽象化，有0个或多个输入和0个或多个输出，在运行后使用tf.get_default_session().run(op)进行运行，或者op.run()，这是前面的简化调用方式。主要属性与方法如下：

tf.Operation.name获取名称

tf.Operation.type获取属性

tf.Operation.inputs获取输入值

tf.Operation.control_inputs获取输入依赖值

tf.Operation.outputs获取输出值

tf.Operation.device获取操作设备

tf.Operation.graph获取graph

tf.Operation.run(feed_dict=None,session=None)如果op传入的是placeholder对象，则需要使用feed_dict参数进行传入。

tf.Operation.get_attr(name)获取op该属性的对应值。

老规矩，还有些函数或者属性，但是我觉得用的真的太少，就不管了。

1.4.1.3tf.Tensor

tensor代表一个operation的结果。从tensorflow的实际运行来说，tensor是operation一个输出的句柄，但是tensor所引用的并不持有具体的值，而是保持一个计算过程，在session调用的时候，可以使用这个计算过程来得到最终的结果。在pythonapi中主要由两方面基本的内容：

（1）一个tensor可以被传递到另外一个operation，从而形成最终的数据流。这样，session中只需要对最后一个计算进行编码即可。

（2）在session调用最终的图之后，可以使用session.run()或者t.eval()对tensor的值进行计算。

常用的属性和函数如下：

tf.Tensor.dtype数据类型

tf.Tensor.nametensor名称

tf.Tensor.value_index在input中的index

tf.Tensor.graph返回图名

tf.Tensor.op返回操作名

tf.Tensor.consumers()返回使用了这个tensorflow的op列表

tf.Tensor.eval(feed_dict=None,session=None)需要在session中使用，可以事先使用placeholder

tf.Tensor.get_shape()获取形状

tf.Tensor.set_shape(shape)设置形状

tf.Tensor.device获取计算的设备