当我们在构建TensorFlow图时，可能会使用tf.add_to_collection将TensorFlow变量和张量添加到一个集合(collection)中。集合是一个TensorFlow框架提供的数据结构，用于存储和管理一组相关的TensorFlow对象，例如变量、张量、操作等。使用tf.get_collection 函数可以返回一个集合中的所有TensorFlow对象，并进行进一步操作。
下面是tf.get_collection函数的语法：
tf.get_collection(key, scope=None)
其中key 为集合的名称，scope为可选参数，表示将要查询的张量或变量所在的命名空间。
以下是两个tf.get_collection函数的使用实例：
实例一
在一个图中需要保存多个变量，可以使用tf.add_to_collection将它们存入一个集合，这样可以方便地统一管理。
假设一个模型需要保存两个变量W和b，我们可以使用下面的代码进行添加：
W = tf.Variable(tf.random_normal([784, 10]), name='weights')
b = tf.Variable(tf.zeros([10]), name='bias')
tf.add_to_collection('vars', W)
tf.add_to_collection('vars', b)
然后可以使用以下代码来获取名称为vars的集合中的所有变量：
weights = tf.get_collection('vars')
实例二
我们可以使用tf.add_to_collection将梯度存储在一个集合中，在计算梯度之后，我们可以使用tf.get_collection获取所有梯度并应用优化算法，这样可以使优化更加简单。
下面是一个使用方法的示例：
# 定义一个损失函数
loss = ...
# 创建优化器
optimizer = tf.train.GradientDescentOptimizer(0.01)
# 计算梯度并将梯度存到名为'grads'的集合中
grads_and_vars = optimizer.compute_gradients(loss)
grads = [grad for grad, var in grads_and_vars]
tf.add_to_collection('grads', grads)
# 应用梯度优化
train_op = optimizer.apply_gradients(grads_and_vars)
# 获取之前存储在grads集合中的所有梯度，并应用运用我们特定的方法
mean_grads = tf.reduce_mean(tf.get_collection('grads'), axis=0)
在上面的代码中，我们首先创建了一个损失函数。然后，我们使用tf.train.GradientDescentOptimizer计算梯度并将梯度存储在名为’grads’的集合中。之后，我们可以使用tf.reduce_mean计算这些梯度的平均值，并使用这个平均值进行进一步的优化。
总结：tf.get_collection函数的作用是获取指定名称的TensorFlow集合中所有的张量、变量或操作，并返回一个列表，方便我们进行进一步的处理。我们可以使用tf.add_to_collection将TensorFlow对象存储到集合中，方便统一管理，也可以将需要的对象从集合中取出来进行运算和操作。