tensorflow学习之 Eager execution

　　首先tensorflow本身就是一个声明式的编程。而不是命令式的编程。

　　　　1、声明式的编程可以简单理解为先统一列出计算形式或者是表达式，然后最终在会话中进行计算。

　　　　2、而命令式就像是python本身就是。有初始值，再写出计算式的时候，运行到这一步其实就相当于已经的除了结果。

　　　　下面我们可以用斐波那契数列举例：

　　「Eager Execution」，它是一个命令式、由运行定义的接口，一旦从 Python 被调用，其操作立即被执行。

　　在 TensorFlow 1.X 版本中， 必须 在导入 TensorFlow 库后调用tf.enable_eager_execution()函数以启用 Eager Execution 模式。

import tensorflow as tf
#因为我这里是2.0的版本，默认是命令式编程，所以我们需要手动进行取消
tf.compat.v1.disable_eager_execution()
state = tf.Variable(tf.zeros([4,5]))
with tf.compat.v1.Session() as sess:
    sess.run(tf.compat.v1.global_variables_initializer())
    print(sess.run(state))

 

  在 TensorFlow 2.0 版本中，Eager Execution 模式将成为默认模式，无需额外调用 tf.enable_eager_execution() 函数（不过若要关闭 Eager Execution，则需调用 tf.compat.v1.disable_eager_execution() 函数）。　　

import tensorflow as tf
state = tf.Variable(tf.zeros([4,5]))
print(state)

　　Eager Execution 有啥优点?

　　1、快速调试即刻的运行错误并通过 Python 工具进行整合

　　2、借助易于使用的 Python 控制流支持动态模型

　　3、为自定义和高阶梯度提供强大支持

　　4、适用于几乎所有可用的 TensorFlow 运算