tf程式中，系統會自動建立並維護一個預設的計算圖，計算圖可以理解為神經網路（Neural Network）結構的程式化描述。如果不顯式指定所歸屬的計算圖，則所有的tensor和Operation都是在預設計算圖中定義的，使用tf.get_default_graph()函式可以獲取當前預設的計算圖控制代碼。

# -*- coding: utf-8 -*-)
import tensorflow as tf

a=tf.constant([1.0,2.0])
b=tf.constant([1.0,2.0])

result = a+b

print(a.graph is tf.get_default_graph()) # 輸出為True，表示tensor a 是在預設的計算圖中定義的
print(result.graph is tf.get_default_graph()) # 輸出為True， 表示 Operation result 是在預設的計算圖中定義的
print 'a.graph =        {0}'.format(a.graph)
print 'default graph =  {0}'.format(tf.get_default_graph())
 

True
True
a.graph =        <tensorflow.python.framework.ops.Graph object at 0x7f0480c9ca90>
default graph =  <tensorflow.python.framework.ops.Graph object at 0x7f0480c9ca90>

1. 使用 g = tf.Graph()函式建立新的計算圖;
2. 在with g.as_default():語句下定義屬於計算圖g的張量和操作
3. 在with tf.Session()中通過引數 graph = xxx指定當前會話所執行的計算圖;
4. 如果沒有顯式指定張量和操作所屬的計算圖，則這些張量和操作屬於預設計算圖;
5. 一個圖可以在多個sess中執行，一個sess也能執行多個圖

# -*- coding: utf-8 -*-)
import tensorflow as tf

# 在系統預設計算圖上建立張量和操作
a=tf.constant([1.0,2.0])
b=tf.constant([2.0,1.0])
result = a+b

# 定義兩個計算圖
g1=tf.Graph()
g2=tf.Graph()

# 在計算圖g1中定義張量和操作
with g1.as_default():
    a = tf.constant([1.0, 1.0])
    b = tf.constant([1.0, 1.0])
    result1 = a + b

with g2.as_default():
    a = tf.constant([2.0, 2.0])
    b = tf.constant([2.0, 2.0])
    result2 = a + b


# 在g1計算圖上建立會話
with tf.Session(graph=g1) as sess:
    out = sess.run(result1)
    print 'with graph g1, result: {0}'.format(out)

with tf.Session(graph=g2) as sess:
    out = sess.run(result2)
    print 'with graph g2, result: {0}'.format(out)

# 在預設計算圖上建立會話
with tf.Session(graph=tf.get_default_graph()) as sess:
    out = sess.run(result)
    print 'with graph default, result: {0}'.format(out)

print g1.version  # 返回計算圖中操作的個數
 

輸出：

with graph g1, result: [ 2.  2.]
with graph g2, result: [ 4.  4.]
with graph default, result: [ 3.  3.]
3