TensorFlow是一個通過計算圖的形式來表述計算的編程系統。其中的Tnesor,代表它的數據結構，而Flow代表它的計算模型。TensorFlow中的每一個計算都是計算圖上的一個節點，而節點之間的線描述了計算之間的依賴關系。

　　在TensorFlow程序中，系統會自動維護一個默認的計算圖，通過tf.get_default_gragh函數可以獲取當前默認的計算圖。

除了默認的計算圖，TensorFlow也支持通過tf.Graph函數來生成新的計算圖。不同的計算圖上的張量和運算不會共享。如下示例：

#coding:utf-8
import tensorflow as tf

g1 
 
= tf.Graph()
with g1.as_default():
    #在計算圖g1中定義一個變量v,並且設置初始值為0
    v = tf.get_variable(name="v",initializer=tf.zeros_initializer( )(shape=[1]))

g2 = tf.Graph()
with g2.as_default():
    # 在計算圖g2中定義一個變量v,並且設置初始值為0
    v = tf.get_variable(name="v", initializer=tf.ones_initializer( )(shape=[1]))

with tf.Session(graph
 
=g1) as sess:
    # 運行初始化的兩種方法
    init = tf.global_variables_initializer()
    sess.run(init)

　　 #這個方法已經過時
    #tf.initialize_all_variables().run()

    #這句話是什麽意思？
    with tf.variable_scope("",reuse=True):
        #通過名字獲取變量
        print(sess.run(tf.get_variable("v")))

with tf.Session(graph=g2) as sess:
    
 
# 運行初始化的兩種方法
    init = tf.global_variables_initializer()
    sess.run(init)
    #tf.initialize_all_variables().run()

    #這句話是什麽意思？
    with tf.variable_scope("",reuse=True):
        #通過名字獲取變量
        print(sess.run(tf.get_variable("v")))

　　上面的代碼產生了兩個計算圖，每個計算圖中定義了一個名字為“v”的變量。在計算圖g1中，將v初始化為0；在計算圖g2中，將v初始化為1.由此可見，當運行不同的計算圖時，變量v的值也不一樣。

　　Tensorflow中的計算圖不僅僅可以用來隔離張量和運算，還可以提供管理張量和運算的機制。

　　計算圖可以通過tf.Graph.device()函數來指定運行的設備。這是因為tensorflow使用了GPU機制。一下代碼演示指派GPU的操作。

import tensorflow as tf
a = tf.constant([1,2])
b = tf.constant([3,4])
g = tf.Graph()
with g.device(‘/gpu:0‘):
    c = tf.add(a, b, "add")
with tf.Session() as sess:
    print(sess.run(c))

　　在一個計算圖中，可以通過集合（collection）來管理不同類別的資源。比如通過tf.add_to_collection()函數將資源加入一個或多個集合中。然後通過tf.get_collection獲取集合中的所有資源。這裏的資源可以是張量、變量或者運行Tensorflow程序所需要的隊列資源等等。

　　　　　　　　　　　　　　　　　　TensorFlow中維護的集合列表

TensorFlow計算模型—計算圖