tensorflow中graph包含一些操作对象，这些对象就是计算节点。而tensor表示的是不同操作间的数据节点。
tensorflow会创建默认的图，可以通过tf.get_default_graph()来访问：
代码:
import tensorflow as tf
import numpy as np
c=tf.constant(value=1)
#print(assert c.graph is tf.get_default_graph())
print(c.graph)
print(tf.get_default_graph())
结果：
如何使用自定义的graph，使用Graph.as_default()的上下文管理器：
代码：
import tensorflow as tf
import numpy as np
c=tf.constant(value=1)
#print(assert c.graph is tf.get_default_graph())
print(c.graph)
print(tf.get_default_graph())
g=tf.Graph()
print("g:",g)
with g.as_default():
d=tf.constant(value=2)
print(d.graph)
#print(g)
g2=tf.Graph()
print("g2:",g2)
g2.as_default()
e=tf.constant(value=15)
print(e.graph)
结果：
分析：第一个总共有一个graph，就是c默认创建的；第二种情况：先创建了图g，然后在g下声明变量，因此g覆盖了d声明时默认的graph。第三种情况，就是有两个图。
tf.train.write_graph(g1.as_graph_def(),'.','graph.pb',False) 保存模型，但是它只是保存了模型的结构，并不保存训练完毕的参数值
tf.train.import_meta_graph函数给出model.ckpt-n.meta的路径后会加载图结构，并返回saver对象
tf.train.saver()保存模型，因为它只是保存了网络中的参数值，并不保存模型的结构。
tf.train.get_checkpoint_state(),可以用来检查是否有保存的checkpoint,