tf.model graph

TensorFlow中的模型图是指模型的计算图，它描述了模型的输入、输出和所有的计算操作。在TensorFlow中，模型图通常是使用tf.Graph对象来实现的。一个tf.Graph包含一组tf.Operation对象和tf.Tensor对象，其中tf.Operation表示计算节点，tf.Tensor表示计算节点之间的数据流。

要创建一个模型图，首先需要创建一个空白的tf.Graph对象。然后，在该图上定义模型的输入、输出和计算操作，这些操作可以是TensorFlow预定义的操作，也可以是自定义操作。当定义完模型后，可以使用tf.Session对象执行计算图，产生模型的输出。

以下是一个简单的示例，用于创建一个包含两个输入和一个输出的计算图：

import tensorflow as tf

# 创建一个空白的tf.Graph对象
graph = tf.Graph()

# 在该图上定义模型的输入和计算操作
with graph.as_default():
    # 定义两个输入节点
    input1 = tf.placeholder(tf.float32, [None, 10], name='input1')
    input2 = tf.placeholder(tf.float32, [None, 5], name='input2')
    
    # 定义一个计算操作
    fc1 = tf.layers.dense(tf.concat([input1, input2], axis=1), units=20, activation=tf.nn.relu, name='fc1')
    
    # 定义一个输出节点
    output = tf.layers.dense(fc1, units=1, activation=None, name='output')

# 创建一个tf.Session对象来执行计算图
with tf.Session(graph=graph) as sess:
    # 使用输入数据执行计算图
    input1_data = [[1.0]*10]*32
    input2_data = [[2.0]*5]*32
    output_data = sess.run(output, feed_dict={input1: input1_data, input2: input2_data})
    print(output_data)

在这个示例中，我们定义了一个包含两个输入和一个输出的计算图。输入节点分别是input1和input2，它们都是形状为(None,10)和(None,5)的张量，其中None表示可以接受任意大小的批次。我们定义了一个计算操作fc1，它使用tf.layers.dense函数实现一个全连接层，将两个输入节点连接在一起，并输出一个形状为(None,20)的张量。最后，我们定义了一个输出节点output，它使用tf.layers.dense函数实现另一个全连接层，将fc1的输出映射到一个标量值。

在创建完计算图后，我们可以使用tf.Session对象来执行它。我们首先创建一个tf.Session对象，并将计算图graph传递给它。然后，我们使用sess.run函数来执行计算图，并将输入数据传递给计算图。最后，我们打印出输出节点output的值。