转自https://blog.csdn.net/dcrmg/article/details/79028032
tf中可以定义多个计算图，不同计算图上的张量和运算是相互独立的，不会共享。计算图可以用来隔离张量和计算，同时提供了管理张量和计算的机制。计算图可以通过Graph.device函数来指定运行计算的设备，为TensorFlow充分利用GPU/CPU提供了机制。
- 使用 g = tf.Graph()函数创建新的计算图;
- 在with g.as_default():语句下定义属于计算图g的张量和操作
- 在with tf.Session()中通过参数 graph = xxx指定当前会话所运行的计算图;
- 如果没有显式指定张量和操作所属的计算图，则这些张量和操作属于默认计算图;
- 一个图可以在多个sess中运行，一个sess也能运行多个图
创建多个计算图：
# -*- coding: utf-8 -*-)
import tensorflow as tf# 在系统默认计算图上创建张量和操作
a=tf.constant([1.0,2.0])
b=tf.constant([2.0,1.0])
result = a+b# 定义两个计算图
g1=tf.Graph()
g2=tf.Graph()# 在计算图g1中定义张量和操作
with g1.as_default():a = tf.constant([1.0, 1.0])b = tf.constant([1.0, 1.0])result1 = a + bwith g2.as_default():a = tf.constant([2.0, 2.0])b = tf.constant([2.0, 2.0])result2 = a + b# 在g1计算图上创建会话
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)# 在默认计算图上创建会话
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 # 返回计算图中操作的个数
输出：
with graph g1, result: [ 2. 2.]
with graph g2, result: [ 4. 4.]
with graph default, result: [ 3. 3.]
3
)
