TensorFlow计算图，张量，会话基础知识

 import tensorflow as tf
 get_default_graph = "tensorflow_get_default_graph.png"
 # 当前默认的计算图 tf.get_default_graph
 print(tf.get_default_graph())

 # 自定义计算图
 # tf.Graph

 # g1中定义名字为v的变量 初始化为0
 g1 = tf.Graph()
 with g1.as_default():
     v = tf.get_variable("v", shape=[1],
                         initializer=tf.zeros_initializer())

 # g2中定义名字为v的变量 初始化为1
 g2 = tf.Graph()
 with g2.as_default():
     v = tf.get_variable("v", shape=[1],
                         initializer=tf.ones_initializer())

 # initialize_all_variables  Use `tf.global_variables_initializer` instead.
 # 在计算图g1中读取变量v的取值  result is[ 0.]
 with tf.Session(graph=g1) as sess:
     # tf.initialize_all_variables().run()
     tf.global_variables_initializer().run()
     with tf.variable_scope("", reuse=True):
         print(sess.run(tf.get_variable("v")))

 # 在计算图g2中读取变量v的取值  result is [1.]
 with tf.Session(graph=g2) as sess:
     # tf.initialize_all_variables().run()
     tf.global_variables_initializer().run()
     with tf.variable_scope("", reuse=True):
         print(sess.run(tf.get_variable("v")))

 '''
 #计算图可以隔离张量和计算也可以指定计算设备
 g=tf.Graph()
 #指定GPU
 with g.device("/gpu:0"):
     result=a+b

 '''

 import tensorflow as tf

 #tensor 张量 零阶张量是标量scalar 一阶张量是向量vector n阶张量理解为n维数组
 #张量在TensorFlow中不是直接采用数组的形式，只是运算结果的引用。并没有保存数组，保存的是如何得到这些数字的计算过程

 #tf.constan是一个计算，结果为一个张量，保存在变量a中
 a=tf.constant([1.0,2.0],name="a")
 b=tf.constant([2.0,3.0],name="b")

 result=a+b
 print(result)
 #Tensor("add:0", shape=(2,), dtype=float32)

 result=tf.add(a,b,name="add")
 print(result)
 #Tensor("add_1:0", shape=(2,), dtype=float32)
 #张量保存三个属性  名字name（唯一标识）  维度shape  类型 dtype
 #张量的命名是node：src_output形式给出，node是节点名称，src_output是表示张量来自节点第几个输出
 #add_1:0 说明是add节点的第一个输出（编号从0开始）
 #shape=(2,) 以为数组，长度为2

 #dtype=float32 每个张量类型唯一，不匹配将报错
 '''
 a=tf.constant([1,2],name="a")
 b=tf.constant([2.0,3.0],name="b")
 result=a+b
 print(result)
 #ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b_1:0", shape=(2,), dtype=float32)'
 '''

 #result.get_shape 获取张量的维度
 print(result.get_shape)
 # result
 # <bound method Tensor.get_shape of <tf.Tensor 'add_1:0' shape=(2,) dtype=float32>>

 #当计算图构造完成后，张量可以获得计算结果 （张量本身没有存储具体的数字）

 #使用session来执行定义好的运算 （也就是张量存储了运算的过程，使用session执行运算获取结果）
 #创建会话
 sess=tf.Session()
 res=sess.run(result)
 print(res)
 #result is [ 3.  5.]
 #关闭会话是本地运行使用到的资源释放
 sess.close()

 #也可以使用python上下文管理器机制，吧所有的计算放在with中，上下文管理器推出是自动释放所有资源，可以避免忘记sess.close()去释放资源

 with tf.Session() as sess:
     print(sess.run(result))
 #[ 3.  5.]

 #as_default 通过默认的会话计算张量的取值 会话不会自动生成默认的会话，需要手动指定 指定后可以通过eval来计算张量的取值
 sess =tf.Session()
 with sess.as_default():
     print(result.eval())
 #[ 3.  5.]

 #ConfigProto来配置需要生成的会话
 #allow_soft_placement GPU设备相关
 #log_device_palcement 日志相关
 config=tf.ConfigProto(allow_soft_placement=True,
                       log_device_placement=True)
 sess1=tf.InteractiveSession(config=config)
 sess2=tf.Session(config=config)
 #Device mapping: no known devices.  tensorflow\core\common_runtime\direct_session.cc
 #Device mapping: no known devices.

 #PY\35\tensorflow\core\platform\cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2