g1.version

tf程序中，系统会自动创建并维护一个默认的计算图，计算图可以理解为神经网络（Neural Network）结构的程序化描述。如果不显式指定所归属的计算图，则所有的tensor和Operation都是在默认计算图中定义的，使用tf.get_default_graph()函数可以获取当前默认的计算图句柄。

# -*- coding: utf-8 -*-)
import tensorflow as tf

a=tf.constant([ 1.0, 2.0])
b=tf.constant([ 1.0, 2.0])

result = a+b

print(a.graph is tf.get_default_graph()) # 输出为True，表示tensor a 是在默认的计算图中定义的
print(result.graph is tf.get_default_graph()) # 输出为True， 表示 Operation result 是在默认的计算图中定义的
print 'a.graph = {0}'.format(a.graph)
print 'default graph = {0}'.format(tf.get_default_graph())

输出：

True
True
a.graph = <tensorflow.python.framework.ops.Graph object at 0x7f0480c9ca90>
default graph = <tensorflow.python.framework.ops.Graph object at 0x7f0480c9ca90>

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。

1. 使用 g = tf.Graph()函数创建新的计算图;
2. 在with g.as_default():语句下定义属于计算图g的张量和操作
3. 在with tf.Session()中通过参数 graph = xxx指定当前会话所运行的计算图;
4. 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;
5. 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 + b

with 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