TensorFlow 中 tf.enable_eager_execution 使用实例

一、环境

TensorFlow API r1.14(rc)

CUDA 9.0 V9.0.176

Python 3.6.3

二、官方说明

在该程序的生命周期内启用“立即执行（eager execution）”

https://tensorflow.google.cn/versions/r1.14/api_docs/python/tf/enable_eager_execution

tf.enable_eager_execution(
config=None,
device_policy=None,
execution_mode=None
)

参数：

config：可选参数。通过 tf.compat.v1.ConfigProto 来配置操作执行的环境。需要注意的是 tf.compat.v1.ConfigProto 也用来配置图执行（通过 tf.compat.v1.Session），同时，当 eager execution 执行时，tf.compat.v1.ConfigProto 中的很多选项就不被实现（或无关）

device_policy：可选参数。控制在特定设备（例如，GPU 0）上需要输入的操作如何处理不同设备（例如，GPU 1或CPU）上的输入的策略。 设置为“无”时，将自动选择适当的值。 挑选的值可能会在TensorFlow版本之间发生变化。 有效值有：

• tf.contrib.eager.DEVICE_PLACEMENT_EXPLICIT
• tf.contrib.eager.DEVICE_PLACEMENT_WARN
• tf.contrib.eager.DEVICE_PLACEMENT_SILENT
• tf.contrib.eager.DEVICE_PLACEMENT_SILENT_FOR_INT32

execution_mode：可选参数。控制调度操作实际如何执行的策略。当设置为 None 时，将自动挑选合适的数值。挑选的值可能会在TensorFlow版本之间发生变化。 有效值有：

• tf.contrib.eager.SYNC：同步执行每一项操作
• tf.contrib.eager.ASYNC：异步执行每一项操作。这些操作可能返回 “non-ready” 的句柄

三、实例

>>> import tensorflow as tf
>>> import numpy as np
>>> tf.enable_eager_execution()
>>> data = np.random.random((5,30))
>>> data_tensor = tf.constant(value=data)
>>> split0,split1,split2 = tf.split(data_tensor,[4,15,11],-1)
>>> split0, split1, split2 = tf.split(data_tensor,[4,15,11],-1)
>>> tf.shape(split0)
<tf.Tensor: id=6, shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>
>>> tf.shape(split1)
<tf.Tensor: id=8, shape=(2,), dtype=int32, numpy=array([ 5, 15], dtype=int32)>
>>> tf.shape(split2)
<tf.Tensor: id=10, shape=(2,), dtype=int32, numpy=array([ 5, 11], dtype=int32)>

>>> split0.numpy()
array([[0.57453663, 0.09221047, 0.75910165, 0.42249415],
       [0.16336272, 0.89446457, 0.39257956, 0.72432271],
       [0.65180994, 0.36158292, 0.76486074, 0.90457114],
       [0.42410351, 0.33851704, 0.7050377 , 0.37142487],
       [0.22980119, 0.42904001, 0.29638316, 0.17583503]])
>>> split1.numpy()
array([[0.65376257, 0.28828267, 0.68491934, 0.0453603 , 0.52976963,
        0.51527368, 0.13887819, 0.66672668, 0.32432196, 0.53790642,
        0.73945528, 0.65519244, 0.00321005, 0.76134054, 0.43237806],
       [0.38422725, 0.85679974, 0.8189933 , 0.79522319, 0.28097536,
        0.01417454, 0.33259705, 0.58593418, 0.41862654, 0.92597912,
        0.62811071, 0.07483196, 0.57353834, 0.94820909, 0.05068218],
       [0.69485806, 0.5419911 , 0.53619689, 0.41984836, 0.17919892,
        0.90462194, 0.85142706, 0.88211552, 0.86519832, 0.46317626,
        0.32401062, 0.10729327, 0.94318461, 0.78615075, 0.31926406],
       [0.35100308, 0.73412197, 0.27498129, 0.56456188, 0.66821586,
        0.86167801, 0.99093966, 0.51488332, 0.54963875, 0.33069172,
        0.43082452, 0.28137253, 0.8633286 , 0.66494205, 0.85997601],
       [0.96145664, 0.05172849, 0.08726628, 0.16821706, 0.3590603 ,
        0.70607823, 0.83647191, 0.52196516, 0.45792938, 0.97573745,
        0.8225903 , 0.09839245, 0.41375104, 0.4079168 , 0.89302919]])
>>> split2.numpy()
array([[0.11837789, 0.52289792, 0.55807716, 0.96394212, 0.84602479,
        0.7968168 , 0.13631762, 0.99491611, 0.0810203 , 0.03436556,
        0.14814265],
       [0.5901035 , 0.99906073, 0.74242789, 0.63917107, 0.57637234,
        0.2895648 , 0.06453467, 0.75643109, 0.08641431, 0.8303831 ,
        0.50956032],
       [0.62365326, 0.84957791, 0.79885836, 0.90246727, 0.30868528,
        0.19903051, 0.78012872, 0.57343972, 0.28900716, 0.65201702,
        0.33714608],
       [0.17511412, 0.27725245, 0.6815811 , 0.89634696, 0.30047085,
        0.24422117, 0.13571881, 0.95206347, 0.36601743, 0.74425454,
        0.46046426],
       [0.38272897, 0.04541412, 0.68629762, 0.93640718, 0.42502042,
        0.70174166, 0.75355039, 0.15139218, 0.36311097, 0.55398162,
        0.09967336]])

需要注意：
（1）tf.enable_eager_execution() 必须放在 tensorflow 代码的前面，否则会报错！
（2）这里的 tf.split 是对张量的切分，需要注意的是其第一个数列表元素之和需要等于第一参数在第三参数所指定的维度上的数值