本章节介绍图的相关操作，其他部分学习请前往：TensorFlow 学习目录
目录
三、tf.reset_default_graph()函数的使用
我们知道，TensorFlow的运行机制，是根据一张图纸铺设“管道”，然后等“管道”架设完毕之后再通入水流，现在假设要对一个楼进行管道的铺设，那么这个楼即需要供应自来水的“管道”，又需要供暖的“管道”，而且这两个管道都是独立的“管道”，现在问题来了，如何在一个py文件中建设多个图呢？这就是本章节需要解决的问题。
一、默认图
就像此前的学习中我们发现，如果在一个py文件中进行TensorFlow的开发编程，我们发现没有涉及到任何有关图的建立之类的代码，这是因为，编译的时候自动生成了一个默认的图，我们编写的所有tensor、OP都是属于这个默认图的。
import tensorflow as tf
c = tf.constant("how are you???")
g1 = tf.get_default_graph()
print (g1)输出，这里就是这个默认图的地址
<tensorflow.python.framework.ops.Graph object at 0x000002230FC018D0>二、新建图
通过实例化tf.Graph()来新建一个新的图，并在其中定义一些tensor、OP在其中
import tensorflow as tf
g = tf.Graph()
with g.as_default():
c1 = tf.constant("hello world!!!")
print (c1.graph)
print (g)
输出，通过途中张量也可以知道其所在的是哪个图，可以看到，此时的图的地址信息和默认图已经不一样了，说明，在这其中定义的tensor和OP是在新图下进行规划的。
<tensorflow.python.framework.ops.Graph object at 0x0000022329ECC080>
<tensorflow.python.framework.ops.Graph object at 0x0000022329ECC080>三、tf.reset_default_graph()函数的使用
该函数是用来重置原先的默认图，也就是将原先的默认图“撕掉”不要了，重新规划一个新的默认图，但是要有一个前提，就是上一个默认图的所有操作必须释放掉，也就是说，如果上一个图有Session，那么一定要在Session被close之后，才可以使用该函数，不然是会报错误的。
import tensorflow as tf
c = tf.constant("how are you???")
g1 = tf.get_default_graph()
print (g1)
tf.reset_default_graph()
g2 = tf.get_default_graph()
print (g2)
a = tf.constant([[1, 2]])
print (a.graph)输出，第一行是原先老图的地址，现在通过该函数reset之后，“图纸”更新了，并且可以看到之后定义的tensor其所在的默认图的地址是reset之后的默认图的（第二三两行），而不是之前的默认图的地址。
<tensorflow.python.framework.ops.Graph object at 0x00000254AE3D1898>
<tensorflow.python.framework.ops.Graph object at 0x00000254C76CFFD0>
<tensorflow.python.framework.ops.Graph object at 0x00000254C76CFFD0>四、如何获得图中的tensor？
如果想要获得图中的tensor，可以通过函数g.get_tensor_by_name()函数来获取tensor。
import tensorflow as tf
a = tf.constant([[1, 2]])
b = tf.constant([[1], [3]])
t1 = tf.matmul(a, b, name='matmul')
print (t1.name)
print (t1)
test = tf.get_default_graph().get_tensor_by_name('matmul:0')
print (test)输出，通过默认图中tensor t1 的名字：matmul:0，来获取tensor可以通过下面的第二三行结果发现，结果是一致的。
matmul:0
Tensor("matmul:0", shape=(1, 1), dtype=int32)
Tensor("matmul:0", shape=(1, 1), dtype=int32)五、如何获得图中的OP？
如果想要获得图中的OP，可以通过函数g.get_operation_by_name()函数来获取tensor。
import tensorflow as tf
a = tf.constant([[1, 2]])
b = tf.constant([[1], [3]])
t1 = tf.matmul(a, b, name='matmul')
print(t1.op.name)
testop = tf.get_default_graph().get_operation_by_name('matmul')
print (testop)输出，通过第一行，我们知道matmul操作在默认图中的名字是“matmul”，而剩下的所有操作都是通过该函数得到的输出，我们可以看到其中第一个说明，name：matmul，可以知道这就是我们所需要寻找到操作。
matmul
name: "matmul"
op: "MatMul"
input: "Const"
input: "Const_1"
attr {
key: "T"
value {
type: DT_INT32
}
}
attr {
key: "transpose_a"
value {
b: false
}
}
attr {
key: "transpose_b"
value {
b: false
}
}六、获取列表元素
如果我们对一个图中的所有内容一无所知，可以通过函数get_operations来获取图中的全部元素信息
import tensorflow as tf
a = tf.constant([[1, 2]])
b = tf.constant([[1], [3]])
t1 = tf.matmul(a, b, name='matmul')
tt = tf.get_default_graph().get_operations()
print (tt)输出
[<tf.Operation 'Const' type=Const>, <tf.Operation 'Const_1' type=Const>, <tf.Operation 'matmul' type=MatMul>]
七、获取对象
前面的所有操作都是通过名字来获取元素，还可以通过对象来获取元素，使用as_graph_element(obj, allow_tensor=True, allow_operation=True)函数，也就是直接传入一个对象，返回一个张量或者一个OP，该函数具有验证和转换的功能，在多线程方面偶尔会用到。
import tensorflow as tf
a = tf.constant([[1, 2]])
b = tf.constant([[1], [3]])
t1 = tf.matmul(a, b, name='matmul')
print (tf.get_default_graph().as_graph_element(a))
print (tf.get_default_graph().as_graph_element(t1.op))输出
Tensor("Const:0", shape=(1, 2), dtype=int32)
name: "matmul"
op: "MatMul"
input: "Const"
input: "Const_1"
attr {
key: "T"
value {
type: DT_INT32
}
}
attr {
key: "transpose_a"
value {
b: false
}
}
attr {
key: "transpose_b"
value {
b: false
}
}