眾所周知，Tensorflow入門之所以困難，與其采用的Graph 和 Session 模式有關，這與原生的 Python 代碼簡單、直觀的印象格格不入。同時，由於計算僅僅發生在Session里面，所以初始化參數和變量的時候沒辦法將結果打印出來，以至於調試起來也十分困難。
當然Google官方也意識到了這點，於是引入了Eager模式，在這個模式下tensorflow的常量和變量可以直接計算並打印出來，甚至還可以和numpy數組混合計算。本文代碼參考官方教程(from github with Apache License 2.0)
同樣的，為了方便與讀者交流，所有的代碼都放在了這里：
https://github.com/zht007/tensorflow-practice
1. 激活Eager模式
激活Eager模式也非常簡單，僅幾行代碼。
import tensorflow as tf tf.enable_eager_execution() tfe = tf.contrib.eager 注意，eager模式在程序開始就要激活，且不能與普通模式混用。另外tfe在后面優化器(Optimizer)的時候需要用到，故先在這里定義了。
2. Eger模式上手
Eger模式下，定義的變量或者常量可以直接打印出來
a = tf.constant([[1, 2], [3, 4]]) print('a=',a) b = tf.Variable(np.zeros((2,2))) print('\n b=',b) c = tf.Variable([[6, 7], [8, 9]]) print('\n c=',c) -------output------- a= tf.Tensor( [[1 2] [3 4]], shape=(2, 2), dtype=int32) b= <tf.Variable 'Variable:0' shape=(2, 2) dtype=float64, numpy= array([[0., 0.], [0., 0.]])> c= <tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy= array([[6, 7], [8, 9]], dtype=int32)> 可以直接轉換成我們熟悉的numpy arrary
print(c.numpy()) ---output--- [[6 7] [8 9]] 當然也可以直接計算並輸出結果，甚至可以與numpy arrary 混合計算。
x = tf.Variable([[6, 7], [8.0, 9.0]],dtype ="float32") y = np.array([[1,2], [3,4]],dtype ="float32") print(tf.matmul(x,y)) ----output---- tf.Tensor( [[27. 40.] [35. 52.]], shape=(2, 2), dtype=float32) 3. Eager 模式下訓練線性回歸模型
最后我們用Tensor Flow 在Eager模式下訓練線性回歸模型，該模型我們之前已經用Tensorflow和Keras訓練過了，感興趣的朋友可以參照之前的文章進行對比。
3.1 創建模擬數據
與之前的數據一樣，此處數據是100萬個帶噪音的線性數據，100萬個點用plt是畫不出來的，圖中隨機采樣了250個點
我們定義一個幫助函數方便以batch的形式這100萬個數據點中隨機抽取batch size大小的數據進行訓練
def next_batch(x_data, batch_size): batch_index = np.random.randint(len(x_data),size=(BATCH_SIZE)) x_train = x_data[batch_index] y_train = y_true[batch_index] return x_train, y_train 3.2 定義變量
此處與普通模式下的tensorflow變量沒有任何區別
w_tfe = tf.Variable(np.random.uniform()) b_tfe = tf.Variable(np.random.uniform(1,10) 3.3 線性函數
在普通模式下的tensorflow中我們需要定義計算圖譜，這里我們直接以 python 函數的形式，定義要訓練的線性回歸函數。
def linear_regression(inputs): return inputs * w_tfe + b_tfe 3.4 損失函數
同樣的，MS(Mean Square)損失函數也要以python 函數的形式定義，而不是計算圖譜。
def mean_square_fn(model_fn, inputs, labels): return tf.reduce_sum(tf.pow(model_fn(inputs) - labels, 2)) / (2 * BATCH_SIZE) 3.5 優化器
同樣使用Gradient Descent 的優化器，不同在於，普通模式下我們創建一個計算圖譜train = optimizer.minimize(error)， 在Eager模式下，要用tfe.implicit_gradients()來返回一個函數。
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001) grad = tfe.implicit_gradients(mean_square_fn) 3.6 模型訓練
由於沒有計算圖譜，所以也不需要初始化變量，也不需在Session下運行，而是類似於原生 Python 函數的形式將數據傳入"Optimizer模型"函數。訓練完成之后，w 和 b 的參數也自動保存下來，不必在Session中提取。
for step in range(BATCHS): x_train, y_train = next_batch(x_data, BATCH_SIZE) optimizer.apply_gradients(grad(linear_regression, x_train, y_train)) 3.7 驗證訓練結果
直接將最終的 w 和 b 帶入線性函數，訓練結果也非常符合預期。
4. 總結
Eager 模式下的 Tensorflow 與原生的 Python 代碼非常類似，可以直接計算並打印結果，創建和訓練模型的過程也類似於python函數的創建和調用。Eager 和Keras API 都是Tensorflow 2.0 官方主推的 Tensorflow使用方式，相信在不久的將來，獲取我們就再也看不到 init = tf.global_variables_initializer() 還有 with tf.Session() as sess:這樣的類似八股文一樣的關鍵詞啦。
轉載自：
作者：Hongtao洪滔
鏈接：https://www.jianshu.com/p/883addf4a1b2