tensorflow2.0系列（4）: Eager Execution和Auto Graph

静态图的弊端

tensorflow的最初版本是用静态图的方式运行的，在这种方式下，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.

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，在2.0版本中成为了核心API。

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. 动态图的引入也给写tf代码带来一些新的特性，需要注意。

Eager模式

Eager 模式有点儿类似于python的命令式编程，不需要编译直接运行，非常直观。

Eager execution的基本特性

对 numpy 的支持

eager 模式下对 numpy 的支持很友好，具体特性如下：

• numpy 的操作可以接受 Tensor 作为参数；
• tensorflow 的数学操作会将 python 对象和 numpy 的 arrays 转换成 Tensor；
• tf.Tensor.numpy 方法返回 numpy的ndarray

例如：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Jan  9 10:21:24 2020

@author: lxy_alex@outlook.com
"""

import numpy as np
import tensorflow as tf
tf.compat.v1.enable_eager_execution()

def example_of_tf_and_np():

    a = tf.constant([[1,2],[3,4]])
    b = tf.add(a,1)
    
    print(a)
    print(b)
    
    print('tf\'s multiply: ')
    print(a*b)
    
    c = np.multiply(a,b)
    print('numpy\'s multiply:')
    print(c)
    
    print('transfer tensor a to numpy ndarray from: ')
    print(a.numpy())
    
if __name__ == ‘__main__’:
    example_of_tf_and_np()

得到：

tf's multiply: 
tf.Tensor(
[[ 2  6]
 [12 20]], shape=(2, 2), dtype=int32)
numpy's multiply:
[[ 2  6]
 [12 20]]
transfer tensor a to numpy ndarray from: 
[[1 2]
 [3 4]]

虽然tensorflow的eager模式对tensor 和numpy的多维数据之间有很好的兼容性，但是并不意味着tf.Tensor() 定义的变量与python的其它变量等同。在实际使用中，一定要注意不能混淆了python变量和tf的Tensor对象。

Auto Graph - 动态图

eager模式支持python的控制流，也支持tf的动态流，对于tf的动态流，对于while循环或者类似的循环（也许使用for，if控制），形如：

while x>0:
    x = x-1

在tensorflow控制流中可以写为tf.while_loop(…, loop_vars=(x,))的形式。但是，tf.while_loop不能支持无限个变量，同时tensorflow 计算图的效率受到其中while loop循环数量的影响，所有不能随意地使用while loop。

AutoGraph使用静态分析来确定代码修改了哪些符号，以便将它们转换为控制流变量。静态分析通常是在单个函数上执行的——Python的动态特性限制了它跨函数的有效性。

static analysis VS dynamic flow

局部参数的可见域

在函数中的局部变量发生变化后，函数外的主程序那里这个变化是不可见的，类似地，在类定义的方法中，局部变量发生改变的时候，主程序也是不可见的，除非这些变量显式地作为输出参数返回。同理，对于类成员函数内部的参数而言，在函数外也是不可见的。

python collections 数据在tensorflow控制流的使用

tf的控制流支持大多数python数据结构，例如列表，字典和元组，包括collection对象的namedtuple对象，但是在tf的控制流中，这些变量被许是固定结构的，也即是说在loop中，列表不能改变长度，字典不能增加或者减少keys。啥是namedtuple，可以参考：https://docs.python.org/3/library/collections.html#collections.namedtuple

def fn():
  l = []

  def loop_cond(i):
    return i < 10

  def loop_body(i):
    i = i + 1
    l.append(i)
    return i,

  tf.while_loop(
      cond=loop_cond,
      body=loop_body,
      loop_vars=(0,))

  return l

print(fn(