是一个通过计算图的形式来表述计算的编程系统。其中的Tnesor,代表它的数据结构，而Flow代表它的计算模型。TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的线描述了计算之间的依赖关系。
在TensorFlow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_gragh函数可以获取当前默认的计算图。
除了默认的计算图，TensorFlow也支持通过tf.Graph函数来生成新的计算图。不同的计算图上的张量和运算不会共享。如下示例：
#coding:utf-8
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
#在计算图g1中定义一个变量v,并且设置初始值为0
v = tf.get_variable(name="v",initializer=tf.zeros_initializer( )(shape=[1]))
g2 = tf.Graph()
with g2.as_default():
# 在计算图g2中定义一个变量v,并且设置初始值为0
v = tf.get_variable(name="v", initializer=tf.ones_initializer( )(shape=[1]))
with tf.Session(graph=g1) as sess:
# 运行初始化的两种方法
init = tf.global_variables_initializer()
sess.run(init)
#这个方法已经过时
#tf.initialize_all_variables().run()
#这句话是什么意思？
with tf.variable_scope("",reuse=True):
#通过名字获取变量
print(sess.run(tf.get_variable("v")))
with tf.Session(graph=g2) as sess:
# 运行初始化的两种方法
init = tf.global_variables_initializer()
sess.run(init)
#tf.initialize_all_variables().run()
#这句话是什么意思？
with tf.variable_scope("",reuse=True):
#通过名字获取变量
print(sess.run(tf.get_variable("v")))
上面的代码产生了两个计算图，每个计算图中定义了一个名字为“v”的变量。在计算图g1中，将v初始化为0；在计算图g2中，将v初始化为1.由此可见，当运行不同的计算图时，变量v的值也不一样。
Tensorflow中的计算图不仅仅可以用来隔离张量和运算，还可以提供管理张量和运算的机制。
计算图可以通过tf.Graph.device()函数来指定运行的设备。这是因为tensorflow使用了GPU机制。一下代码演示指派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))在一个计算图中，可以通过集合（collection）来管理不同类别的资源。比如通过tf.add_to_collection()函数将资源加入一个或多个集合中。然后通过tf.get_collection获取集合中的所有资源。这里的资源可以是张量、变量或者运行Tensorflow程序所需要的队列资源等等。
TensorFlow中维护的集合列表
集合名称 | 集合内容 | 使用场景 |
| 所有变量 | 持久化TensorFlow模型 |
| 可学习的变量(一般指神经网络中的参数) | 模型训练、生成模型可视化内容 |
| 日志生成相关的张量 | TensorFlow计算可视化 |
| 处理输入的QueueRunner | 输入处理 |
| 所有计算了滑动平均值的变量 | 计算变量的滑动平均值 |
手与大脑的距离决定了理想与现实的相似度
