概述

Tensorflow用到了 数据流图，数据流图包括 数据（Data）、流（Flow）、图（Graph）。Tensorflow里的数据用到的都是 tensor

所以起名为tensorflow。

Tensorflow2 分为 eager模式 和 graph模式，移除了session的概念

为什么要学习 eager模式和 graph模式

列举以下常见问题：

了解TensorFlow原理
当运行速度慢时，如何优化
print()为什么有时只执行一次
print()为什么有时只能打印tensor的name、dtype、shape，打印不出值
为什么定义tf.Variable()时报错
无法debug
….

eager模式

Tensorflow可以立刻执行运算：并返回具体值，与普通的python代码相同

在tensorflow2中，默认使用eager模式

判断是否eager模式

import tensorflow as tf

tf.executing_eagerly()

True 表示开启eager模式

优点

在模型运行过程中可以 对图进行修改
命令式的编程环境，不需要建立图，立即运算求值
便于debug

缺点

运算速度较慢
不宜于部署

例子：

在eager模式下，张量运算：

import tensorflow as tf

def test():
    a=tf.constant(1)
    b=tf.constant(2)
    c=a+b
    print("a:",a)
    print("b:",b)
    print("c:",c)
    return c

res=test()
print(res)

执行结果：

a: tf.Tensor(1, shape=(), dtype=int32)
b: tf.Tensor(2, shape=(), dtype=int32)
c: tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)

执行过程与python代码相同，可以实时得到变量中的值，也正因为如此，需要python代码和 TensorFlow 频繁交互，传输数据

graph模式

在tensorflow1.x版本，仅支持 graph模式

tensorflow2.0默认使用eager模式，但 graph模式仍然大量在使用

优点

运算速度快
优化内存
模型序列化
静态运算图能够导出成GraphDef或者SavedModel格式，然后用别的语言（C++或Java）加载
易于部署

缺点

在图（graph）构建完成后，启动静态图计算，计算过程 无法对静态图进行更改。
难debug

AutoGraph

tensorflow2提出 AutoGraph 控制流，可以使用python的if、for等语句

自动将 while语句转换为 tf.while_loop
自动将 for 语句转换为 tf.while_loop
自动将 if 语句转换为 tf.cond

切换graph模式

通过@tf.function 装饰器切换

详见：https://www.malaoshi.top/show_1EF5HFCDp8fP.html

感谢：
https://blog.csdn.net/qq_33688997/article/details/83541483
https://blog.csdn.net/guanxs/article/details/90523905
https://blog.csdn.net/wyx100/article/details/80691921
https://zhuanlan.zhihu.com/p/74441082

原文出处：/show_1EF4aMnxYdnu.html

概述

为什么要学习 eager模式 和 graph模式