引言：
按照我的理解，graph相當於一塊空白的面包板（電路板，可以在上面插電路元件設計電路，供電調試），上面搭建了許多子模塊，自頂向下構成一整個功能電路，整個模塊有輸入輸出端口，里面的子模塊或者部分子模塊
構成的模塊也有輸入和輸出端口。搭建好的這個電路板就是 'graph'，而測試（執行）相應模塊都需要開一個session，上面有很多模塊可以調試，也就是說一個graph可以開多個session來執行各自模塊的輸入輸出過程。借網上dao來的圖作個說明：
接下來看一小段代碼：
參考鏈接：https://blog.csdn.net/vinceee__/article/details/88075451 https://blog.csdn.net/vinceee__/article/details/88075451
注：以下偽代碼僅幫助理解
1 val = tf.variable(initilizer, ...) #變量定義 2 const_1 = tf.constant() #常量定義 3 data =3 #定義 4 op = tf.assign(val, const_1) #定義賦值操作 5 c = tf.placeholder(dtype= ,shape = []) #placeholder占位符定義 6 #使用之前定義的變量， 需要定義一個初始化操作init， sess開始后執行變量初始化 7 init = tf.global_varibales_initializer()#全局變量初始化操作 8 with tf.session() as sess: 9 sess.run(init) #執行初始化操作 10 sess.run(op) #執行操作： 將常量const_1賦值給變量val 11 print(sess.run(val)) 12 print(sess.run(c, feed_dict = {c:data})#將data值傳遞到c這個占位符，執行打印 c
以上代碼沒有新建graph，默認使用的是TensorFlow的全局的defaultgraph.如果需要使用自己定義的graph,則使用with tf.graph().as_default()來取代默認的全局計算圖
一、GRAPH
1、有關graph
計算圖graph 由許多個node 組成，node又由name（名稱），op（操作）,input（輸入），attrs(屬性：dtype，shape， size， value... ...構成），對於tf.constant()函數只會產生一個node，但是對於tf.varibale(initialize, name),其中生成一個initializer初始化器，一共會產生三個node：
1）variable:變量維護（不存放實際的值）
2） Varibale/assign： 變量分配
3） variable/read: 變量讀取使用
使用變量時需要進行變量初始化：生成初始化器對象，再在sess中執行init.
2、graph的使用
1) Tf.get_default_graph(): 獲得當前默認graph
2) With Tf.Graph().as_default(): tf.graph()創建一個新的graph，並通過as_default()設置為上下文中的默認圖(局部的），即with下面所有的定義都是在這個新建的 （局部的）graph中。
With之外另外的graph作為默認，get_default_graph可以獲得當前的圖。
3) tensorflow 有一個默認的全局graph， 不用定義可直接使用，若需要另外的graph則需要新建（tf.graph()在當前使用with范圍內設置為default）
二、Session
1、有關session
tf.session 是用來運行TensorFlow操作的類，一個session對象封裝了操作執行對象的環境，在這個環境下才可以對tensor對象進行計算，tensor對象不可直接進行計算操作，同時也會負責分配計算資源和變量存放：
1)步驟： build a graph #構建一個計算圖（里面有操作、tensor對象）
launch the graph in a session #基於以上創建的graph創建一個session
evaluate the tensor #執行計算
2） session： 包括一些資源，例如variables, queues, readers 當我們不再需要這些資源時候，我們需要釋放這些資源，釋放資源可以通過執行sess.close()，或者將session作為上下文管理器使用：
with tf.session() as sess:
.... ....
sess.run()
執行到with范圍以外，session資源釋放
3) configProto protocol buffer 公開session的各種配置選項。
ConfigProto詳解：
tf.configProto函數用在創建session的時候對session進行參數配置。
3.1）Tf.ConfigProto(log_device_placement=True)
log_device_placement=True,可以獲取到operations 和tensor 被指派到哪個設備（幾號CPU/GPU）上運行，會在終端打印出各項操作在哪個設備上面運行。
3.2） Tf.ConfigProto(allow_soft_placement=True)
在tf中，通過“with tf.device('cpu:0'):”來手動設置操作運行的設備。如果手動設置的設備不存在或者不可用，就會導致程序等待或者異常，為了防止這種情況，allow_soft_placement=True,可以允許tf自動選擇一個存在並可用的設備
來運行操作。
3.3） 限制GPU的資源使用：
為了加快運行效率，tf在初始化時候會嘗試分配所有可用GPU顯存資源給自己，如果在多人使用的服務器上工作會導致別人無法正常使用GPU。
tf提供了兩種控制GPU資源使用的方法：
3.3.1) 設置動態申請顯存，需要多少就申請多少
sess_config = tf.configProto(log_device_placement=False, allow_soft_placement = True) sess_config.gpu_options.allow_growth = True session = tf.session(config = sess_config)
3.3.2) 限制GPU的使用率,如下兩種方法：
sess_config = tf.configProto(log_device_placement= Fa;se ,allow_soft_placementt= True) sess_config.gpu_options.per_process_gpu_memory_fraction = 0.4#占用40%顯存 session = tf.session(config = sess_config) gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction= 0.4) sess_config = tf.configProto(gpu_options = gpu_options)
3.3.3） 設置使用哪塊GPU：
os.environ['CUDA_VISIBLE_DEVICES']= '0'
os.environ['CUDA_VISIBLE_DEVICES']='0,1'
使用上下文管理器，手動指定session在哪塊gpu上執行
with tf.device('/gpu:0'):
... ... ... ...
with tf.session(config = tf.configProto（log_device_placement=True)) as sess：
print sess.run()
參考網址： https://blog.csdn.net/dcrmg/article/details/79091941
https://www.cnblogs.com/ywheunji/p/11390219.html
4） tf.session.run():
Tf.Session.run( fetches, feed_dict=None):
Fetches： 是個list，里面包括了我們想要輸出的一個或者多個graph元素，tensor/ sparse tensor、operation等，見以上文獻例子。
Feed_dict: 是個dict，里面包括需要輸入的參數名稱和實際參數傳入的key_value 對。
這個method運行一步TensorFlow計算，通過運行需要的graph 片段來執行每個操作和計算fetches里的每個Tensor，用feed_dict里面的值替換相應的輸入值
5) tf.session() as sess: 和 tf.session().as_default() as sess:
g = tf.graph() #新建graph session = tf.session(graph = g) #將新建的graph加載到session with g.as_default() #必須為當前指定default graph（因為可能有多個graph存在）
5.1） with session.as_default() as sess:
g_model = tf.Graph() g_session = tf.Session(graph = g_model) with g_model.as_default() as g: with g_session.as_default() as sess: c = tf.constant(1) print(sess.run(c)) print(tf.get_default_session()) print(tf.get_default_graph()) print(tf.get_default_graph()) print(sess.run(c)) sess.close() print(sess.run(c))
print results:
with之外 sess.close 之前 sess.run(c): 1 也就是說sess沒有自動關閉； 手動sess.close之后，sess.run(c)就error了，而get_default_session只能在with內有效，with外是None.
5.2) tf.session() as sess:
with g_Model.as_default() as g: with g_session as sess: c=tf.constant(1) print(sess.run(c)) print(tf.get_default_session()) print(tf.get_default_graph()) print(tf.get_default_graph()) print(sess.run(c))
print results:
可見：沒有session.as_default(), with 以外sess自動關閉，sess.run(c)就報錯
以上是關於session 和graph的總結，感謝參考文檔的作者，這里作個學習筆記，小白一枚，歡迎大家指正，叩謝~~