flow图片下载，Tensorflow--图

Tensorflow最重要的两个概念——Tensor和Flow。
Tensor就是张量，在Tensorflow中Tensor可以被简单的理解为多维数组。Tensor是Tensorflow的数据结构，那么Flow是Tensorflow的计算模型。Flow的中文翻译成流，它表达了张量之间通过计算相互转化的过程。Tensorflow是一个通过计算图的形式来表述计算的编程系统。Tensorflow每一个计算都是计算图上的一个节点，节点之间的边描述了计算之间的依赖关系。

计算图的使用
Tensorflow的程序一般分为两个阶段，在第一个阶段需要定义计算图中的计算。第二个阶段是执行计算。
下面代码给出计算样例：

在Python中一般会采用import tensorflow as tf的形式载入Tensorflow，这样可以用tf来代替tensorflow作为模块名称。
在这个过程中，Tensorflow会自动将定义的计算转化为计算图 上的节点。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_graph函数可以获取当前默认计算图。

除了使用默认的计算图，Tensorflow支持通过tf.Graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享。

#

tf.Variable与tf.get_variable()
tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)
tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)
区别
使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错
基于这两个函数的特性，当我们需要共享变量的时候，需要使用tf.get_variable()。在其他情况下，这两个的用法是一样的
tf.get_variable 和tf.Variable不同的一点是，前者拥有一个变量检查机制，会检测已经存在的变量是否设置为共享变量，如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。

为了解决这个问题，TensorFlow 又提出了 tf.variable_scope 函数：它的主要作用是，在一个作用域 scope 内共享一些变量，可以有如下几种用法：
http://blog.csdn.net/u013645510/article/details/53769689
在tensorflow中,有两个scope, 一个是name_scope一个是variable_scope,这两个scope到底有什么区别呢?

http://blog.csdn.net/u012436149/article/details/53081454

#

flow图片下载、
上面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。可以看到当运行不同计算图时，变量v的值也是不一样的。Tensorflow的计算图不仅仅可以用来隔离张量和计算，它还提供管理张量和计算的机制。
计算图可以通过tf.Graph.device函数来指定运行计算的设备。这为Tensorflow使用GPU提供了机制。
下面的程序将加法计算跑在GPU上。