Tensorflow学习——Eager Execution

Eager Execution

目录

1.设置和基本用法

2.动态控制流

3.构建模型

4.Eager训练

• 计算梯度
• 训练模型
• 变量和优化器

5.在Eager Execution期间将对象用于状态

• 变量是对象
• 基于对象的保存
• 面向对象的指标

6.自动微分高级内容

• 动态模型
• 计算梯度的其他函数
• 自定义梯度

7.性能

• 基准

8.处理图

• 编写兼容的代码
• 在图环境中使用Eager
• Execution

TensorFlow 的 Eager Execution 是一种命令式编程环境，可立即评估操作，无需构建图：操作会返回具体的值，而不是构建以后再运行的计算图。这样能让您轻松地开始使用 TensorFlow 和调试模型，并且还减少了样板代码。要遵循本指南，请在交互式 python 解释器中运行下面的代码示例。

Eager Execution 是一个灵活的机器学习平台，用于研究和实验，可提供：

• 直观的界面 - 自然地组织代码结构并使用 Python 数据结构。快速迭代小模型和小型数据集。
• 更轻松的调试功能 - 直接调用操作以检查正在运行的模型并测试更改。使用标准 Python 调试工具进行即时错误报告。
• 自然控制流程 - 使用 Python 控制流程而不是图控制流程，简化了动态模型的规范。

Eager Execution 支持大多数 TensorFlow 操作和 GPU 加速。有关在 Eager Execution 中运行的示例集合，请参阅：tensorflow/contrib/eager/python/examples。

1.设置和基本用法

升级到最新版本的 TensorFlow：

$ pip install --upgrade tensorflow

要启动 Eager Execution，请将 tf.enable_eager_execution() 添加到程序或控制台会话的开头。不要将此操作添加到程序调用的其他模块。

from __future__ import absolute_import, division, print_function

import tensorflow as tf

tf.enable_eager_execution()

现在您可以运行 TensorFlow 操作了，结果将立即返回：

tf.executing_eagerly() # => True


x = [[2.]]

m = tf.matmul(x, x)

print("hello, {}".format(m)) # => "hello, [[4.]]"

启用 Eager Execution 会改变 TensorFlow 操作的行为方式 - 现在它们会立即评估并将值返回给 Python。tf.Tensor 对象会引用具体值，而不是指向计算图中的节点的符号句柄。由于不需要构建稍后在会话中运行的计算图，因此使用 print() 或调试程序很容易检查结果。评估、输出和检查张量值不会中断计算梯度的流程。

Eager Execution 适合与 NumPy 一起使用。NumPy 操作接受 tf.Tensor 参数。TensorFlow 数学运算将 Python 对象和 NumPy 数组转换为 tf.Tensor 对象。tf.Tensor.numpy 方法返回对象的值作为 NumPy ndarray。

a = tf.constant([[1, 2],

[3, 4]])

print(a)

# => tf.Tensor([[1 2]

# [3 4]], shape=(2, 2), dtype=int32)


# Broadcasting support

b = tf.add(a, 1)

print(b)

# => tf.Tensor([[2 3]

# [4 5]], shape=(2, 2), dtype=int32)


# Operator overloading is supported

print(a * b)

# => tf.Tensor([[ 2 6]

# [12 20]], shape=(2, 2), dtype=int32)


# Use NumPy values

import numpy as np


c = np.multiply(a, b)

print(c)

# => [[ 2 6]

# [12 20]]


# Obtain numpy value from a tensor:

print(a.numpy())

# => [[1 2]

# [3 4]]

tf.contrib.eager模块包含可用于 Eager Execution 和 Graph Execution 环境的符号，对编写处理图的代码非常有用：

tfe = tf.contrib.eager

 

2.动态控制流

Eager Execution 的一个主要好处是，在执行模型时，主机语言的所有功能都可用。因此，编写 fizzbuzz 很容易（举例而言）：
 

def fizzbuzz(max_num):

counter = tf.constant(0)

for num in range(max_num):

num = tf.constant(num)

if int(num % 3) == 0 and int(num % 5) == 0:

print('FizzBuzz')

elif int(num % 3) == 0:

print('Fizz')

elif int(num % 5) == 0:

print('Buzz')

else:

print(num)

counter += 1

return counter

这段代码具有依赖于张量值的条件并在运行时输出这些值。

 

3.构建模型

许多机器学习模型通过组合层来表示。在将 TensorFlow 与 Eager Execution 结合使用时，您可以编写自己的层或使用在 tf.keras.layers 程序包中提供的层。

虽然您可以使用任何 Python 对象表示层，但 TensorFlow 提供了便利的基类 tf.keras.layers.Layer。您可以通过继承它实现自己的层：

class MySimpleLayer(tf.keras.layers.Layer):

def __init__(self, output_units):

self.output_units = output_units


def build(self, input):

# The build method gets called the first time your layer is used.

# Creating variables on build() allows you to make their shape depend

# on the input shape and hence remove the need for the user to specify

# full shapes. It is possible to create variables during __init__() if

# you already know their full shapes.

self.kernel = self.add_variable(

"kernel", [input.shape[-1], self.output_units])


def call(self, input):

# Override call() instead of __call__ so we can perform some bookkeeping.

return tf.matmul(input, self.kernel)

请使用 tf.keras.layers.Dense 层（而不是上面的 MySimpleLayer），因为它具有其功能的超集（它也可以添加偏差）。

将层组合成模型时，可以使用 tf.keras.Sequential 表示由层线性堆叠的模型。它非常适合用于基本模型：

model = tf.keras.Sequential([

tf.keras.layers.Dense(10, input_shape=(784,)), # must declare input shape

tf.keras.layers.Dense(10)

])

 或者，通过继承 tf.keras.Model 将模型划分为不同类别。这是一个本身也是层的层容器，允许 tf.keras.Model 对象包含其他 tf.keras.Model 对象。

class MNISTModel(tf.keras.Model):

def __init__(self):

super(MNISTModel, self).__init__()

self.dense1 = tf.keras.layers.Dense(units=10)

self.dense2 = tf.keras.layers.Dense(units=10)


def call(self, input):

"""Run the model."""

result = self.dense1(input)

result = self.dense2(result)

result = self.dense2(result) # reuse variables from dense2 layer

return result


model = MNISTModel()

因为第一次将输入传递给层时已经设置参数，所以不需要为 tf.keras.Model 类设置输入形状。

tf.keras.layers 类创建并包含自己的模型变量，这些变量与其层对象的生命周期相关联。要共享层变量，请共享其对象。

 

4.Eager 训练

计算梯度

自动微分对于实现机器学习算法（例如用于训练神经网络的反向传播）很有用。在 Eager Execution 期间，请使用 tf.GradientTape 跟踪操作以便稍后计算梯度。

tf.GradientTape 是一种选择性功能，可在不跟踪时提供最佳性能。由于在每次调用期间都可能发生不同的操作，因此所有前向传播操作都会记录到“磁带”中。要计算梯度，请反向播放磁带，然后放弃。特定的 tf.GradientTape 只能计算一个梯度；随后的调用会引发运行时错误。

w = tfe.Variable([[1.0]])

with tf.GradientTape() as tape:

loss = w * w


grad = tape.gradient(loss, [w])

print(grad) # => [tf.Tensor([[ 2.]], shape=(1, 1), dtype=float32)]

下面是一个记录前向传播操作以训练简单模型的 tf.GradientTape 示例：

# A toy dataset of points around 3 * x + 2

NUM_EXAMPLES = 1000

training_inputs = tf.random_normal([NUM_EXAMPLES])

noise = tf.random_normal([NUM_EXAMPLES])

training_outputs = training_inputs * 3 + 2 + noise


def prediction(input, weight, bias):

return input * weight + bias


# A loss function using mean-squared error

def loss(weights, biases):

error = prediction(training_inputs, weights, biases) - training_outputs

return tf.reduce_mean(tf.square(error))


# Return the derivative of loss with respect to weight and bias

def grad(weights, biases):

with tf.GradientTape() as tape:

loss_value = loss(weights, biases)

return tape.gradient(loss_value, [weights, biases])


train_steps = 200

learning_rate = 0.01

# Start with arbitrary values for W and B on the same batch of data

W = tfe.Variable(5.)

B = tfe.Variable(10.)


print("Initial loss: {:.3f}".format(loss(W, B)))


for i in range(train_steps):

dW, dB = grad(W, B)

W.assign_sub(dW * learning_rate)

B.assign_sub(dB * learning_rate)

if i % 20 == 0:

print("Loss at step {:03d}: {:.3f}".format(i, loss(W, B)))


print("Final loss: {:.3f}".format(loss(W, B)))

print("W = {}, B = {}".format(W.numpy(), B.numpy()))

输出（具体数字可能会有所不同）：

Initial loss: 71.204

Loss at step 000: 68.333

Loss at step 020: 30.222

Loss at step 040: 13.691

Loss at step 060: 6.508

Loss at step 080: 3.382

Loss at step 100: 2.018

Loss at step 120: 1.422

Loss at step 140: 1.161

Loss at step 160: 1.046

Loss at step 180: 0.996

Final loss: 0.974

W = 3.01582956314, B = 2.1191945076

重播 tf.GradientTape 以计算梯度并将梯度应用于训练循环中。下面是来自 mnist_eager.py 示例的摘录：

dataset = tf.data.Dataset.from_tensor_slices((data.train.images,

data.train.labels))

...

for (batch, (images, labels)) in enumerate(dataset):

...

with tf.GradientTape() as tape:

logits = model(images, training=True)

loss_value = loss(logits, labels)

...

grads = tape.gradient(loss_value, model.variables)

optimizer.apply_gradients(zip(grads, model.variables),

global_step=tf.train.get_or_create_global_step())

以下示例将创建一个多层模型，该模型会对标准 MNIST 手写数字进行分类。它演示了在 Eager Execution 环境中构建可训练图的优化器和层 API。

训练模型

即使没有训练，也可以在 Eager Execution 中调用模型并检查输出：

# Create a tensor representing a blank image

batch = tf.zeros([1, 1, 784])

print(batch.shape)  # => (1, 1, 784)

result = model(batch)

# => tf.Tensor([[[ 0.  0., ..., 0.]]], shape=(1, 1, 10), dtype=float32)

该示例使用了 TensorFlow MNIST 示例中的 dataset.py 模块，请将该文件下载到本地目录。运行以下命令以将 MNIST 数据文件下载到工作目录并准备要进行训练的 tf.data.Dataset：

import dataset  # download dataset.py file

dataset_train = dataset.train('./datasets').shuffle(60000).repeat(4).batch(32)

 为了训练模型，请定义损失函数以进行优化，然后计算梯度。使用优化器更新变量：

def loss(model, x, y):

  prediction = model(x)

  return tf.losses.sparse_softmax_cross_entropy(labels=y, logits=prediction)


def grad(model, inputs, targets):

  with tf.GradientTape() as tape:

    loss_value = loss(model, inputs, targets)

  return tape.gradient(loss_value, model.variables)


optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)


x, y = iter(dataset_train).next()

print("Initial loss: {:.3f}".format(loss(model, x, y)))


# Training loop

for (i, (x, y)) in enumerate(dataset_train):

  # Calculate derivatives of the input function with respect to its parameters.

  grads = grad(model, x, y)

  # Apply the gradient to the model

  optimizer.apply_gradients(zip(grads, model.variables),

                            global_step=tf.train.get_or_create_global_step())

  if i % 200 == 0:

    print("Loss at step {:04d}: {:.3f}".format(i, loss(model, x, y)))


print("Final loss: {:.3f}".format(loss(model, x, y)))

输出（具体数字可能会有所不同）：

Initial loss: 2.674

Loss at step 0000: 2.593

Loss at step 0200: 2.143

Loss at step 0400: 2.009

Loss at step 0600: 2.103

Loss at step 0800: 1.621

Loss at step 1000: 1.695

...

Loss at step 6600: 0.602

Loss at step 6800: 0.557

Loss at step 7000: 0.499

Loss at step 7200: 0.744

Loss at step 7400: 0.681

Final loss: 0.670

为了加速训练，可以将计算移至 GPU：
 

with tf.device("/gpu:0"):

  for (i, (x, y)) in enumerate(dataset_train):

    # minimize() is equivalent to the grad() and apply_gradients() calls.

    optimizer.minimize(lambda: loss(model, x, y),

                       global_step=tf.train.get_or_create_global_step())

变量和优化器

tfe.Variable 对象存储在训练期间访问的可变 tf.Tensor 值，以更加轻松地实现自动微分。模型的参数可以作为变量封装在类中。

通过将 tfe.Variable 与 tf.GradientTape 结合使用可以更好地封装模型参数。例如，上面的自动微分示例可以重写为：

class Model(tf.keras.Model):

  def __init__(self):

    super(Model, self).__init__()

    self.W = tfe.Variable(5., name='weight')

    self.B = tfe.Variable(10., name='bias')

  def predict(self, inputs):

    return inputs * self.W + self.B

# A toy dataset of points around 3 * x + 2

NUM_EXAMPLES = 2000

training_inputs = tf.random_normal([NUM_EXAMPLES])

noise = tf.random_normal([NUM_EXAMPLES])

training_outputs = training_inputs * 3 + 2 + noise

# The loss function to be optimized

def loss(model, inputs, targets):

  error = model.predict(inputs) - targets

  return tf.reduce_mean(tf.square(error))

def grad(model, inputs, targets):

  with tf.GradientTape() as tape:

    loss_value = loss(model, inputs, targets)

  return tape.gradient(loss_value, [model.W, model.B])

# Define:

# 1. A model.

# 2. Derivatives of a loss function with respect to model parameters.

# 3. A strategy for updating the variables based on the derivatives.

model = Model()

optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01)

print("Initial loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))

# Training loop

for i in range(300):

  grads = grad(model, training_inputs, training_outputs)

  optimizer.apply_gradients(zip(grads, [model.W, model.B]),

                            global_step=tf.train.get_or_create_global_step())

  if i % 20 == 0:

    print("Loss at step {:03d}: {:.3f}".format(i, loss(model, training_inputs, training_outputs)))

print("Final loss: {:.3f}".format(loss(model, training_inputs, training_outputs)))

print("W = {}, B = {}".format(model.W.numpy(), model.B.numpy()))

输出（具体数字可能会有所不同）：
 

Initial loss: 69.066

Loss at step 000: 66.368

Loss at step 020: 30.107

Loss at step 040: 13.959

Loss at step 060: 6.769

Loss at step 080: 3.567

Loss at step 100: 2.141

Loss at step 120: 1.506

Loss at step 140: 1.223

Loss at step 160: 1.097

Loss at step 180: 1.041

Loss at step 200: 1.016

Loss at step 220: 1.005

Loss at step 240: 1.000

Loss at step 260: 0.998

Loss at step 280: 0.997

Final loss: 0.996

W = 2.99431324005, B = 2.02129220963

5.在 Eager Execution 期间将对象用于状态

使用 Graph Execution 时，程序状态（如变量）存储在全局集合中，它们的生命周期由 tf.Session 对象管理。相反，在 Eager Execution 期间，状态对象的生命周期由其对应的 Python 对象的生命周期决定。

变量是对象

在 Eager Execution 期间，变量会一直存在，直到相应对象的最后一个引用被移除，然后变量被删除。
 

with tf.device("gpu:0"):

  v = tfe.Variable(tf.random_normal([1000, 1000]))

  v = None  # v no longer takes up GPU memory

基于对象的保存

tfe.Checkpoint 可以将 tfe.Variable 保存到检查点并从中恢复：

x = tfe.Variable(10.)

checkpoint = tfe.Checkpoint(x=x)  # save as "x"

x.assign(2.)   # Assign a new value to the variables and save.

save_path = checkpoint.save('./ckpt/')

x.assign(11.)  # Change the variable after saving.

# Restore values from the checkpoint

checkpoint.restore(save_path)

print(x)  # => 2.0

要保存和加载模型，tfe.Checkpoint 会存储对象的内部状态，而不需要隐藏变量。要记录 model、optimizer 和全局步的状态，请将它们传递到 tfe.Checkpoint：
 

model = MyModel()

optimizer = tf.train.AdamOptimizer(learning_rate=0.001)

checkpoint_dir = ‘/path/to/model_dir’

checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")

root = tfe.Checkpoint(optimizer=optimizer,

model=model,

optimizer_step=tf.train.get_or_create_global_step())


root.save(file_prefix=checkpoint_prefix)

# or

root.restore(tf.train.latest_checkpoint(checkpoint_dir))

面向对象的指标

tfe.metrics 存储为对象。通过将新数据传递给可调用对象来更新指标，并使用 tfe.metrics.result 方法检索结果，例如：

m = tfe.metrics.Mean("loss")

m(0)

m(5)

m.result() # => 2.5

m([8, 9])

m.result() # => 5.5

汇总和 TensorBoard

TensorBoard 是一种可视化工具，用于了解、调试和优化模型训练过程。它使用在执行程序时编写的汇总事件。

tf.contrib.summary 与 Eager Execution 和 Graph Execution 环境兼容。汇总操作（如 tf.contrib.summary.scalar）在模型构建期间被插入。例如，要每 100 个全局步记录一次汇总：

writer = tf.contrib.summary.create_file_writer(logdir)

global_step=tf.train.get_or_create_global_step()  # return global step var

writer.set_as_default()

for _ in range(iterations):

  global_step.assign_add(1)

  # Must include a record_summaries method

  with tf.contrib.summary.record_summaries_every_n_global_steps(100):

    # your model code goes here

    tf.contrib.summary.scalar('loss', loss)

     ...

6.自动微分高级内容

动态模型

tf.GradientTape 也可用于动态模型。这个回溯线搜索算法示例看起来像普通的 NumPy 代码，除了存在梯度并且可微分，尽管控制流比较复杂：

def line_search_step(fn, init_x, rate=1.0):

  with tf.GradientTape() as tape:

    # Variables are automatically recorded, but manually watch a tensor

    tape.watch(init_x)

    value = fn(init_x)

  grad, = tape.gradient(value, [init_x])

  grad_norm = tf.reduce_sum(grad * grad)

  init_value = value

  while value > init_value - rate * grad_norm:

    x = init_x - rate * grad

    value = fn(x)

    rate /= 2.0

  return x, value

计算梯度的其他函数

tf.GradientTape 是用于计算梯度的强大接口，还有另一种 Autograd 样式 API 可用于自动微分。如果只用张量和梯度函数编写数学代码，而不使用 tfe.Variables，则这些函数非常有用：

• tfe.gradients_function - 返回一个函数，该函数会计算其输入函数参数相对于其参数的的导数。输入函数参数必须返回一个标量值。当返回的函数被调用时，它会返回一个 tf.Tensor 对象列表：输入函数的每个参数各对应一个元素。因为任何相关信息都必须作为函数参数传递，所以如果依赖于许多可训练参数，则会变得很难处理。
• tfe.value_and_gradients_function - 与 tfe.gradients_function 相似，但是当返回的函数被调用时，除了输入函数相对于其参数的导数列表之外，它还会返回输入函数的值。

在以下示例中，tfe.gradients_function 将 square 函数作为参数，并返回一个函数（计算 square 相对于其输入的偏导数）。如果计算输入为 3 时 square 的偏导数，grad(3.0) 会返回 6。

def square(x):

  return tf.multiply(x, x)


grad = tfe.gradients_function(square)


square(3.)  # => 9.0

grad(3.)    # => [6.0]


# The second-order derivative of square:

gradgrad = tfe.gradients_function(lambda x: grad(x)[0])

gradgrad(3.)  # => [2.0]


# The third-order derivative is None:

gradgradgrad = tfe.gradients_function(lambda x: gradgrad(x)[0])

gradgradgrad(3.)  # => [None]


# With flow control:

def abs(x):

  return x if x > 0. else -x


grad = tfe.gradients_function(abs)


grad(3.)   # => [1.0]

grad(-3.)  # => [-1.0]

自定义梯度

自定义梯度是在 Eager Execution 和 Graph Execution 中覆盖梯度的一种简单方式。在正向函数中，定义相对于输入、输出或中间结果的梯度。例如，下面是在反向传播中截断梯度范数的一种简单方式：

@tf.custom_gradient

def clip_gradient_by_norm(x, norm):

  y = tf.identity(x)

  def grad_fn(dresult):

    return [tf.clip_by_norm(dresult, norm), None]

  return y, grad_fn

 自定义梯度通常用于为一系列操作提供数值稳定的梯度：

def log1pexp(x):

  return tf.log(1 + tf.exp(x))

grad_log1pexp = tfe.gradients_function(log1pexp)

# The gradient computation works fine at x = 0.

grad_log1pexp(0.)  # => [0.5]

# However, x = 100 fails because of numerical instability.

grad_log1pexp(100.)  # => [nan]

在此处，log1pexp 函数可以通过自定义梯度进行分析简化。下面的实现重用了在前向传播期间计算的 tf.exp(x) 的值，通过消除冗余计算，变得更加高效：

@tf.custom_gradient

def log1pexp(x):

  e = tf.exp(x)

  def grad(dy):

    return dy * (1 - 1 / (1 + e))

  return tf.log(1 + e), grad

grad_log1pexp = tfe.gradients_function(log1pexp)

# As before, the gradient computation works fine at x = 0.

grad_log1pexp(0.)  # => [0.5]

# And the gradient computation also works at x = 100.

grad_log1pexp(100.)  # => [1.0]

 

7.性能

在 Eager Execution 期间，计算会自动分流到 GPU。如果要控制计算运行的位置，可以将其放在 tf.device('/gpu:0')块（或 CPU 等效块）中：

import time


def measure(x, steps):

  # TensorFlow initializes a GPU the first time it's used, exclude from timing.

  tf.matmul(x, x)

  start = time.time()

  for i in range(steps):

    x = tf.matmul(x, x)

    _ = x.numpy()  # Make sure to execute op and not just enqueue it

  end = time.time()

  return end - start


shape = (1000, 1000)

steps = 200

print("Time to multiply a {} matrix by itself {} times:".format(shape, steps))


# Run on CPU:

with tf.device("/cpu:0"):

  print("CPU: {} secs".format(measure(tf.random_normal(shape), steps)))


# Run on GPU, if available:

if tfe.num_gpus() > 0:

  with tf.device("/gpu:0"):

    print("GPU: {} secs".format(measure(tf.random_normal(shape), steps)))

else:

  print("GPU: not found")

输出（确切数字取决于硬件）：

Time to multiply a (1000, 1000) matrix by itself 200 times:

CPU: 4.614904403686523 secs

GPU: 0.5581181049346924 secs

 tf.Tensor对象可以被复制到不同的设备来执行其操作：

x = tf.random_normal([10, 10])


x_gpu0 = x.gpu()

x_cpu = x.cpu()


_ = tf.matmul(x_cpu, x_cpu) # Runs on CPU

_ = tf.matmul(x_gpu0, x_gpu0) # Runs on GPU:0


if tfe.num_gpus() > 1:

x_gpu1 = x.gpu(1)

_ = tf.matmul(x_gpu1, x_gpu1) # Runs on GPU:1

基准

对于计算量繁重的模型（如在 GPU 上训练的 ResNet50），Eager Execution 性能与 Graph Execution 相当。但是对于计算量较小的模型来说，这种性能差距会越来越大，并且有很多工作要做，以便为具有大量小操作的模型优化热代码路径。

 

8.处理图

虽然 Eager Execution 增强了开发和调试的交互性，但 TensorFlow Graph Execution 在分布式训练、性能优化和生产部署方面具有优势。不过，编写图形代码不同于编写常规 Python 代码，并且更难以调试。

为了构建和训练由图构建的模型，Python 程序首先构建一个表示计算的图，然后调用 Session.run 来发送该图，以便在基于 C++ 的运行时上执行。这种方式具有以下优势：

• 使用静态 autodiff 进行自动微分。
• 可轻松地部署到独立于平台的服务器。
• 基于图的优化（常见的子表达式消除、常量折叠等）。
• 编译和内核融合。
• 自动分发和复制（在分布式系统上放置节点）。

部署为 Eager Execution 编写的代码更加困难：要么从模型生成图，要么直接在服务器上运行 Python 运行时和代码。

编写兼容的代码

为 Eager Execution 编写的相同代码在 Graph Execution 期间也会构建图。在未启用 Eager Execution 的新 Python 会话中运行相同的代码便可实现此目的。

大多数 TensorFlow 操作在 Eager Execution 期间都有效，但需要注意以下几点：

• 使用 tf.data（而不是队列）进行输入处理，速度更快、更简单。
• 使用面向对象的层 API，如 tf.keras.layers 和 tf.keras.Model，因为它们有明确的变量存储空间。
• 大多数模型代码在 Eager Execution 和 Graph Execution 过程中效果一样，但也有例外情况。（例如，使用 Python 控制流更改基于输入的计算的动态模型。）
• 一旦通过 tf.enable_eager_execution 启用了 Eager Execution，就不能将其关闭。要返回到 Graph Execution，需要启动一个新的 Python 会话。

最好同时为 Eager Execution 和 Graph Execution 编写代码。这样，既可以获得 Eager Execution 的交互式实验和可调试性功能，又能拥有 Graph Execution 的分布式性能优势。

在 Eager Execution 中编写、调试和迭代代码，然后导入模型图用于生产部署。使用 tfe.Checkpoint 保存和恢复模型变量，这样可在 Eager Execution 和 Graph Execution 环境之间移动模型。请参阅 tensorflow/contrib/eager/python/examples 中的示例。

在图环境中使用 Eager Execution

使用 tfe.py_func 在 TensorFlow 图环境中选择性地启用 Eager Execution。在未调用 tf.enable_eager_execution()的情况下使用这种方法。
 

def my_py_func(x):

  x = tf.matmul(x, x)  # You can use tf ops

  print(x)  # but it's eager!

  return x


with tf.Session() as sess:

  x = tf.placeholder(dtype=tf.float32)

  # Call eager function in graph!

  pf = tfe.py_func(my_py_func, [x], tf.float32)

  sess.run(pf, feed_dict={x: [[2.0]]})  # [[4.0]]

转载地址:  https://blog.csdn.net/weixin_39506322/article/details/82316423