其一：
Graph 表示可计算的图，其中包含 operation （节点） 和 tensor （边）对象。开始执行程序时会有默认的图建立，可以用 tf.get_default_graph() 来访问。添加操作到默认的图里面可以用下面的方法。
c = tf.constant(4.0) assert c.graph is tf.get_default_graph()即不指明创建新图，则所有操作都加到默认的图中。若要创建另外的图，可用下面的方法 # 1. Using Graph.as_default(): g = tf.Graph() with g.as_default(): c = tf.constant(5.0) assert c.graph is g # 2. Constructing and making default: with tf.Graph().as_default() as g: c = tf.constant(5.0) assert c.graph is g在 with tf.Graph().as_default() 下，所有的操作都会加入到该图中而不是默认的图。
另外需要注意的是
g1 = tf.Graph() with g1.as_default(): c1 = tf.constant([1.0]) with tf.Graph().as_default() as g2: c2 = tf.constant([2.0]) with tf.Session(graph=g1) as sess1: print sess1.run(c1) with tf.Session(graph=g2) as sess2: print sess2.run(c2) # result: # [ 1.0 ] # [ 2.0 ]在这种情况下如果交换 c1 和 c2 在 Session 中的位置，则会报错，因为 c1 和 c2 是定义在不同的图中的。
额外要补充的一个是关于 Session 的函数 tf.Session.__init__(target='', graph=none, config=none)
target: 分布式会用到
graph: 如果没有指定则放入默认的图，否则放入指定的图，下面的操作都在指定的图中寻找运行
config: 不介绍
其二：
tf.Graph.add_to_collection/tf.Graph.add_to_collections/tf.add_to_collection
该函数用于将一值加到某一collection上，下面是函数原型。
tf.Graph.add_to_collection(name, value) （tf.add_to_collection的用法与此相同）
name: collection的名字，这里collection可以看做一个集合，里面存储了加进去的值
value: 要加到collection的值。
tf.Graph.add_to_collections(names, value)
names: collections的名字，多个collection
value: 要加到collections的值。
其三：
tf.add_n(inputs, name=none) 该函数返回输入的所有的 tensor 的值的和
inputs: 输入为多个 tensor
此外还有，tf.add(x,y,name=none), tf.add(x,y,name=none), tf.sub(x,y,name=none), tf.mul(x,y,name=none), tf.div(x,y,name=none) 等许多数学函数，可以参考这里。
其他关于 graph 的函数以后碰到再补充。
文章参考：
http://blog.csdn.net/xierhacker/article/details/53860379
http://www.cnblogs.com/lienhua34/p/5998853.html
