Tensorflow 1.x如何遍历给定张量的计算图？

这个问题与低级Tensorflow 1.x API有关。给定一个

Tensor

到

Session.run（）

，我不清楚Tensorflow如何遍历计算图

假设我有如下代码：

a = tf.constant(1.0)
b = tf.subtract(a, 1.0)
c = tf.add(b, 2.0)
d = tf.multiply(c,3)

sess = tf.Session()
sess.run(d)

减法、加法和乘法运算不都存储在张量

d

中，对吗？我知道

Tensor

对象有

graph

和

op

字段；这些字段是如何递归访问以获得计算

d

所需的所有操作的

编辑：添加输出

print(tf.get_default_graph().as_graph_def())
node {
  name: "Const"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
        }
        float_val: 1.0
      }
    }
  }
}
node {
  name: "Sub/y"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
        }
        float_val: 1.0
      }
    }
  }
}
node {
  name: "Sub"
  op: "Sub"
  input: "Const"
  input: "Sub/y"
  attr {
    key: "T"
    value {
      type: DT_FLOAT
    }
  }
}
node {
  name: "Add/y"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
        }
        float_val: 2.0
      }
    }
  }
}
node {
  name: "Add"
  op: "Add"
  input: "Sub"
  input: "Add/y"
  attr {
    key: "T"
    value {
      type: DT_FLOAT
    }
  }
}
node {
  name: "Mul/y"
  op: "Const"
  attr {
    key: "dtype"
    value {
      type: DT_FLOAT
    }
  }
  attr {
    key: "value"
    value {
      tensor {
        dtype: DT_FLOAT
        tensor_shape {
        }
        float_val: 3.0
      }
    }
  }
}
node {
  name: "Mul"
  op: "Mul"
  input: "Add"
  input: "Mul/y"
  attr {
    key: "T"
    value {
      type: DT_FLOAT
    }
  }
}
versions {
  producer: 38
}

---

这就是Tensorflow静态计算图的全部要点。构建图形时，Tensorflow会在后台隐式构建一个静态图形。然后，当您在图中执行一个节点时，Tensorflow知道导致该节点的确切操作集。这有几个好处：

节省计算，因为只会执行指向所需节点的子图

整个计算过程被分成几个可微的小部分

模型的每一部分都可以在不同的设备上执行，从而获得巨大的加速

使用此命令可以查看每个节点的输入：

print(tf.get_default_graph().as_graph_def())

例如，如果在小型图形上执行此操作，您将看到以下内容，从节点

d=tf.multiply（c，3）

开始：

然后

c=tf.add（b，2.0）

：

然后

b=tf.减去（a，1.0）

：

最后，

a=tf.常数（1.0）

：

---

谢谢gorjan，这很有道理。因此，从

d

，TF可以找到op（

d.op

），在这种情况下，它是乘法的，然后TF可以找到op的输入（张量），然后找到它们的ops，依此类推，基本上是从

d

进行DFS。刚刚看到您的编辑。我运行命令并将输出粘贴到问题。出于某种原因，所有常量操作数的名称都是用

/y

命名的。TBH，我不是Tensorflow的开发人员，只是指出我读过的东西和我的直觉。当谈到如何计算后台的操作时，我不想分享我不确定的信息。当然，没问题！在TF的图中，节点是运算，边是张量。我想也可能是另一种情况（张量是节点，运算是边）。但这完全是另一种讨论：）节点就是操作。每个运算的输出是一个张量。两个节点之间的边是将从一个节点流向另一个节点的张量类型/形状等的参考。

name: "Mul"
op: "Mul"
input: "Add"

name: "Add"
op: "Add"
input: "Sub"

name: "Sub"
op: "Sub"
input: "Const"

name: "Const"
op: "Const"