一.with tf.Graph().as_default()
1.解释一：
首先，去tensorflow官网API上查询 tf.Graph() 会看到如下图所示的内容：
总体含义是说：
tf.Graph() 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。
tf.Graph().as_default() 表示将这个类实例，也就是新生成的图作为整个 tensorflow 运行环境的默认图，如果只有一个主线程不写也没有关系，tensorflow 里面已经存好了一张默认图，可以使用tf.get_default_graph() 来调用（显示这张默认纸），当你有多个线程就可以创造多个tf.Graph()，就是你可以有一个画图本，有很多张图纸，这时候就会有一个默认图的概念了。
import tensorflow as tf c=tf.constant(4.0) assert c.graph is tf.get_default_graph() #看看主程序中新建的一个变量是不是在默认图里 g=tf.Graph() with g.as_default(): c=tf.constant(30.0) assert c.graph is g ''' 最终结果是没有报错 '''
2.解释二：
tensorflow下的Graph中 tf.Operation是一个node，而tf.Tensor是一个edge。
在没有特别说明的情况下，程序中定义的tf.Operation均是添加进入default_graph中。若使用
graph1=tf.Graph() # 声明tf.Graph()的一个类实例，即获取一个graph
with graph1.as_default():
#完成graph1这个计算图中的tf.Operation的定义，即将在这个with所调用的上下文管理器中定义的tf.Operation添加进入声明的tf.Graph实例graph1中
pass
其实这种方式本质上也是将graph设置为default_graph，所以可以认为，所有的tf.Operation均是添加到default_graph进行的，而这个default_graph是可以设置的。
再说说这个with graph1.as_default():
with会启动一个上下文管理器。所谓上下文管理器，就是在程序执行前将上文中当前所需要的资源准备好，并在结束时被系统回收。
with graph1.as_default()的含义是在这个with启动的上下文管理器中将graph1设置为default_graph，在with启动的上下文管理器内部所定义的tf.Operation则会添加进入当前的default_graph中，也就是graph1中。在整个with代码块结束后，default_graph将会重新设置为之前的，属于全局的graph。
从下面的代码可以对以上说法进行验证：
# -*- coding:utf-8 -*-
import tensorflow as tf
v1 = tf.Variable([0.0], name='v1')
v2 = tf.constant([1.0], name='v2')
add = tf.add(v1,v2, name='add')
graph1 = tf.Graph()
with graph1.as_default():
v4 = tf.Variable([3.0], name='v4') with tf.Session() as sess1: sess1.run(tf.global_variables_initializer()) print sess1.run(add) with tf.Session(graph=tf.get_default_graph()) as sess2: sess2.run(tf.global_variables_initializer()) print sess2.run(v1) g_op = graph1.get_operations() print 'the operations in graph1>>> \n', g_op print '\n' d_op = tf.get_default_graph().get_operations() print 'the operations in default graph>>> \n',d_op
输出结果如下：
[ 1.]
[ 0.]
the operations in graph1>>>
[<tf.Operation 'v4/initial_value' type=Const>, <tf.Operation 'v4' type=VariableV2>, <tf.Operation 'v4/Assign' type=Assign>, <tf.Operation 'v4/read' type=Identity>]
the operations in default graph>>>
[<tf.Operation 'v1/initial_value' type=Const>, <tf.Operation 'v1' type=VariableV2>, <tf.Operation 'v1/Assign' type=Assign>, <tf.Operation 'v1/read' type=Identity>, <tf.Operation 'v2' type=Const>, <tf.Operation 'add' type=Add>, <tf.Operation 'init' type=NoOp>, <tf.Operation 'init_1' type=NoOp>]
3.数据流图
TensorFlow计算，表示为数据流图
TensorFlow 中的所有计算都会被转化为计算图上的节点。
TensorFlow 是一个通过计算图的形式来表述计算的编程系统。
TensorFlow中的每个计算都是计算图的一个节点，而节点之间的边描述了计算之间的依赖关系。
TensorFlow 的计算模型是有向图,采用数据流图 (Data Flow Graphs)，其中每个节点代表一些函数或计算，而边代表了数值、矩阵或张量。
数据流图是用于定义计算结构的。在 TensorFlow 中，数据流图本质上是一组链接在一起的函数，每个函数都会将其输出传递给 0 个、1 个或多个位于这个级联链上的其他函数。
4.为什么要写 .as_default()
目的是将这个图设置为默认图，会话设置成默认对话，这样的话在with语句的外面也能使用这个会话执行。
tf.Session()创建一个会话，当上下文管理器退出时会话关闭和资源释放自动完成。
tf.Session().as_default()创建一个默认会话，当上下文管理器退出时会话没有关闭，还可以通过调用会话进行run()和eval()操作
参考博客：