Graph
在前面的文章中，我们学会了如何在TensorFlow（TF）中创建Tensor，Variable和Operation来组成一个graph，以及如何利用Session运行一个graph。但是这个graph对象究竟是在什么时候创建的？我们能否同时创建多个graph呢？
要回答这个问题，我们首先要了解在默认的情况下，TF是如何创建graph的。TF在library加载以后，会自动创建一个Graph对象，并把它作为default graph，我们创建的操作会自动放在这个default graph里。我们也可以不使用TF自动创建的graph，而是创建自己的graph对象并设置为default，然后添加各种操作，例如：
注意，如果打算运行自己创建的graph，一定要把它传递给
tf.Session的graph参数。
我们也可以自己创建多个Graph对象，将它设为default graph后，添加各种操作：
name scopes and TensorBoard
到目前为止，我们学习了创建TF graph所需的所有原材料。前面的例子都很简单，一个graph中只有几个节点，然而在实际工作中，我们需要创建包含成百上千个节点的graph。如何有效的组织和查看graph就显得尤为重要。在TF中，我们可以通过name scope的方式来组织节点，并利用TensorBoard来可视化。
name scopes的作用就是把相关的操作组织在一起，形成一个大的block。在TensorBoard中查看graph的时候，会发现所有的节点都被封装在一个个block中。
我们先来利用name scope创建一个简单的graph，并保存在文件中：
接着在终端中启动TensorBoard：
$ tensorboard --logdir='./name_scope_1'
打开浏览器，在地址栏中输入http://127.0.1.1:6006，点击GRAPH标签，就可以看到下面的结果：
此时我们只能看到两个box，分别代表的是我们定义的两个name scope，我们点击box右上角的+号，就可以展开box，看到里面的节点：
接下来我们创建一个更复杂一些的graph：
在TensorBoard中我们可以清楚的看到：Transformation scope包含了4个scope，这4个scope又分成了2层（用不同的颜色表示），第一层的A和B把它们的output传给了第二层的C和D，然后C和D把它们的output传给了最后一个节点。
我们可以进一步查看4个scope内部的结构：
从这个例子可以看到，将复杂的网络分解成各个block和layer，可以让我们快速地理解网络的结构。
我们通过简单的例子学习了TensorFlow中的一些最基本的概念。这是我们看懂TF代码的前提条件，也是向构建复杂神经网络迈出的坚实一步。预知后事如何，且听下回分解！
参考文献
- Giancarlo Zaccone. Getting Started with TensorFlow, 2016
- Sam Abrahams et al. TensorFlow for Machine Intelligence: A Hands-On Introduction to Learning Algorithms, 2016
