Question

现在开始介绍构建任何TensorFlow数据流图所必需的核心构件。到目前为止，我们只接触了包含少量节点和阶数较小的张量的非常简单的数据流图，但现实世界中的模型往往会包含几十或上百个节点，以及数以百万计的参数。为使这种级别的复杂性可控，TensorFlow当前提供了一种帮助用户组织数据流图的机制——名称作用域（name scope）。

名称作用域非常易于使用，且在用TensorBoard对Graph对象可视化时极有价值。本质上，名称作用域允许将Op划分到一些较大的、有名称的语句块中。当以后用TensorBoard加载数据流图时，每个名称作用域都将对其自己的Op进行封装，从而获得更好的可视化效果。名称作用域的基本用法是将Op添加到with tf.name_scope（<name>）语句块中。

为了在TensorBoard中看到这些名称作用域的效果，可打开一个SummaryWriter对象，并将Graph对象写入磁盘。

由于SummaryWriter对象会将数据流图立即导出，可在运行完上述代码便启动TensorBoard。导航到运行上述脚本的路径，并启动TensorBoard：

与之前一样，上述命令将会在用户的本地计算机启动一个端口号为6006的TensorBoard服务器。打开浏览器，并在地址栏键入localhost：6006，导航至“Graph”标签页，用户将看到类似于下图的结果。

我们添加到该数据流图中的add和mul Op并未立即显示出来，所看到的是涵盖它们的命名作用域。可通过单击位于它们右上角的“+”图标将名称作用域的方框展开。

在每个作用域内，可看到已经添加到该数据流图中的各个Op，也可将名称作用域嵌入在其他名称作用域内：

上述代码并未使用默认的Graph对象，而是显式创建了一个tf.Graph对象。下面重新审视这段代码，并聚焦于命名作用域，了解其组织方式：

现在对上述代码进行分析就更加容易。这个模型拥有两个标量占位节点作为输入，一个TensorFlow常量，一个名为“Transformation”的中间块，以及一个使用tf.maximum()作为其Op的最终输出节点。可在TensorBoard内看到这种高层的表示：

在Transformation名称作用域内有另外4个命名空间被安排到两个“层”中。第一层由作用域“A”和“B”构成，该层将A和B的输出传给下一层“C”和“D”。最后的节点会将来自最后一层的输出作为其输入。在TensorBoard中展开Transformation名称作用域，将看到类似下图的效果。

这同时还赋予了我们一个展示TensorBoard另外一个特性的机会。在上图中，可发现名称作用域“A”和“B”的颜色一致（蓝色），“C”和“D”的颜色也一致（绿色）。这是因为在相同的配置下，这些名称作用域拥有相同的Op设置，即“A”和“B”都有一个tf.mul()Op传给一个tf.sub()Op，而“C”和“D”都有一个tf.div()Op传给tf.add()Op。如果开始用一些函数创建重复的Op序列，将会非常方便。

在上图中可以看到，当在TensorBoard中显示时，tf.constant对象的行为与其他Tensor对象或Op并不完全相同。即使我们没有在任何名称作用域内声明static_value，它仍然会被放置在这些名称作用域内，而且，static_value并非只出现一个图标，它会在被使用时创建一个小的视觉元素，其基本思想是常量可在任意时间使用，且在使用时无须遵循任何特定顺序。为防止在数据流图中出现从单点引出过多箭头的问题，只有当常量被使用时，它才会以一个很小的视觉元素的形式出现。

将一个规模较大的数据流图分解为一些有意义的簇能够使对模型的理解和编译更加方便。