摘要：輸入采用占位符，模型接收任意長度向量，隨時間計算數據流圖所有輸出總和，采用名稱作用域合理劃分數據流圖，每次運行保存數據流圖輸出累加均值到磁盤。與交換工作流分開，獨立名稱作用域包含對象，存儲輸出累加和，記錄數據流圖運行次數。

輸入采用占位符，模型接收任意長度向量，隨時間計算數據流圖所有輸出總和，采用名稱作用域合理劃分數據流圖，每次運行保存數據流圖輸出、累加、均值到磁盤。

[None]代表任意長度向量，[]代表標量。update環節更新各Variable對象以及將數據傳入TensorBoard匯總Op。與交換工作流分開，獨立名稱作用域包含Variable對象，存儲輸出累加和，記錄數據流圖運行次數。獨立名稱作用域包含TensorBoard匯總數據，tf.scalar_summary Op。匯總數據在Variable對象更新完成后才添加。

構建數據流圖。
導入TensorFlow庫。Graph類構造方法tf.Graph()，顯式創建Graph對象。兩個“全局”Variable對象，追蹤模型運行次數，追蹤模型所有輸出累加和。與其他節點區分開，放入獨立名稱作用域。trainable=False設置明確指定Variable對象只能手工設置。
模型核心的變換計算，封裝到名稱作用域"transformation"，又劃分三個子名稱作用域"input"、"intermediate_layer"、"output"。.multiply、.add只能接收標量參數，.reduce_prod、. reduce_sum可以接收向量參數。
在"update"名稱作用域內更新Variable對象。.assign_add實現Variable對象遞增。
在"summaries"名稱作用域內匯總數據供TensorBoard用。.cast()做數據類型轉換。.summary.scalar()做標量數據匯總。
在"global_ops"名稱作用域創建全局Operation(Op)。初始化所有Variable對象。合并所有匯總數據。

運行數據流圖。
.Session()啟動Session對象，graph屬性加載Graph對象，.summary.FileWriter()啟動FileWriter對象，保存匯總數據。
初始化Variable對象。
創建運行數據流圖輔助函數，傳入向量，運行數據流圖，保存匯總數據。創建feed_dict參數字典，以input_tensor替換a句柄的tf.placeholder節點值。使用feed_dict運行output不關心存儲，運行increment_step保存到step，運行merged_summaries Op保存到summary。添加匯總數據到FileWriter對象，global_step參數隨時間圖示折線圖橫軸。
變換向量長度多次調用運行數據流圖輔助函數。.flush()把匯總數據寫入磁盤。

查看數據流圖。
Graph標簽，變換運算流入update方框，為summaries、variables提供輸入，global_ops包含變換計算非關鍵運算。輸入層、中間層、輸出層分離。
Scalars標簽，summary.scalar對象標簽查看不同時間點匯總數據變化。

import tensorflow as tf#導入TensorFlow庫
#構建數據流圖
graph = tf.Graph()#顯式創建Graph對象
with graph.as_default():#設為默認Graph對象
with tf.name_scope("variables"):#創建Variable對象名稱作用域
    global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")#記錄數據流圖運行次數的Variable對象，初值為0，數據類型為32位整型，不可自動修改，以global_step標識
    total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")#追蹤模型所有輸出累加和的Variable對象，初值為0.0，數據類型為32位浮點型，不可自動修改，以total_output標識
with tf.name_scope("transformation"):#創建變換計算Op名稱作用域
    with tf.name_scope("input"):#創建獨立輸入層名稱作用域
        a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")#創建占位符，接收一個32位浮點型任意長度的向量作為輸入，以input_placeholder_a標識
    with tf.name_scope("intermediate_layer"):#創建獨立中間層名稱作用域
        b = tf.reduce_prod(a, name="product_b")#創建創建歸約乘積Op，接收張量輸入，輸出張量所有分量(元素)的乘積，以product_b標識
        c = tf.reduce_sum(a, name="sum_c")#創建創建歸約求和Op，接收張量輸入，輸出張量所有分量(元素)的求和，以sum_c標識
    with tf.name_scope("output"):#創建獨立輸出層名稱作用域
        output = tf.add(b, c, name="output")#創建創建求和Op，接收兩個標量輸入,輸出標量求和,以output標識
with tf.name_scope("update"):
    update_total = total_output.assign_add(output)#用最新的輸出更新Variable對象total_output
    increment_step = global_step.assign_add(1)#增1更新Variable對象global_step，記錄數據流圖運行次數
with tf.name_scope("summaries"):#創建數據匯總Op名稱作用域
    avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")#計算平均值，輸出累加和除以數據流圖運行次數，把運行次數數據類型轉換為32位浮點型，以average標識
    tf.summary.scalar(b"output_summary",output)#創建輸出節點標量數據統計匯總，以output_summary標識
    tf.summary.scalar(b"total_summary",update_total)#創建輸出累加求和標量數據統計匯總，以total_summary標識
    tf.summary.scalar(b"average_summary",avg)#創建平均值標量數據統計匯總，以average_summary標識
with tf.name_scope("global_ops"):#創建全局Operation(Op)名稱作用域
    init = tf.global_variables_initializer()#創建初始化所有Variable對象的Op
    merged_summaries = tf.summary.merge_all()#創建合并所有匯總數據的Op
#運行數據流圖
sess = tf.Session(graph=graph)#用顯式創建Graph對象啟動Session會話對象
writer = tf.summary.FileWriter("./improved_graph", graph)#啟動FileWriter對象，保存匯總數據
sess.run(init)#運行Variable對象初始化Op
def run_graph(input_tensor):#定義數據注圖運行輔助函數
    """
    輔助函數：用給定的輸入張量運行數據流圖，
    并保存匯總數據
    """
    feed_dict = {a: input_tensor}#創建feed_dict參數字典，以input_tensor替換a句柄的tf.placeholder節點值
    _, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)#使用feed_dict運行output不關心存儲，運行increment_step保存到step，運行merged_summaries Op保存到summary
    writer.add_summary(summary, global_step=step)#添加匯總數據到FileWriter對象，global_step參數時間圖示折線圖橫軸
#用不同的輸入用例運行數據流圖
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
writer.flush()#將匯總數據寫入磁盤
writer.close()#關閉FileWriter對象，釋放資源
sess.close()#關閉Session對象，釋放資源

參考資料：
《面向機器智能的TensorFlow實踐》

歡迎加我微信交流：qingxingfengzi
我的微信公眾號:qingxingfengzigz
我老婆張幸清的微信公眾號：qingqingfeifangz