转载自： https://blog.csdn.net/qq_35370018/article/details/79442938
一. 静态图的弊端
使用过TensorFlow的大家都会知道, TF通过计算图将计算的定义和执行分隔开, 这是一种声明式（declaretive）的编程模型. 确实, 这种静态图的执行模式优点很多,但是在debug时确实非常不方便(类似于对编译好的C语言程序调用,此时是我们无法对其进行内部的调试), 因此有了Eager Execution, 这在TensorFlow v1.5首次引入.
引入的Eager Execution模式后, TensorFlow就拥有了类似于Pytorch一样动态图模型能力, 我们可以不必再等到see.run(*)才能看到执行结果, 可以方便在IDE随时调试代码,查看OPs执行结果.
二. Eager Execution
随着TensorFlow的快速API迭代,启动Eager模式越来越方便
方式一（1.5及以上版本）
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()方式二（最新版本支持）
import tensorflow as tf
tf.enable_eager_execution()“A NumPy-like library for numerical computation with support for GPU acceleration and automatic differentiation, and a flexible platform for machine learning research and experimentation.”–the eager execution user guide
Eager 模式下能够使用Python的debug调试工具、数据结构、控制流， 且不必再使用placeholder、session, 操作结果直接可以得到。在此种执行模式下， tensor的表现如同numpy array一般， 可以和numpy的库函数兼容。
（注意： 比较Tensor值相等应当使用tf.equal而不是==）
三：auto differentiation
Eager Execution支持自动微分，实际上使用的是反向传播的微分方式。注意根据变量的不同，应使用的函数也有所区别。这些api在eager execution未被激活时同样能够使用。查看user guide
四. 总结
事实上，大多数tf api无论是否使用eager execution都可以同样使用。但如果使用eager execution，user guide
同样给出了一些建议，使用tfe而非tf的部分api。