原文来源：Google Brain
作者：Asim Shankar 、 Wolff Dobson
「雷克世界」编译：嗯~阿童木呀
今天，我们在TensorFlow中引入了Eager Execution。Eager Execution是一个命令式、运行定义式的接口，其中，操作一旦从Python中调用便立刻得以执行。这样TensorFlow的入门使用就变得相对简单，并可以使研究和开发过程更为直观。
使用Eager Execution的益处包括以下几点：
具有面对即时运行错误的快速调试和Python工具的集成。
支持使用易用的Python控制流的动态模型。
大力支持自定义的、高阶梯度。
适用几乎所有可用的TensorFlow操作。
现在，eager可作为一个实验性特征，所以我们正在寻求来自社区的反馈意见，以指导我们的研究方向。
为了更好地理解这一点，我们可以看一些相关代码，这就非常具有技术性了，而且如果熟悉TensorFlow的话也将会有所帮助。
使用Eager Execution
一旦你启用Eager Execution，操作将立即得以执行，并将其值返回给Python，而不需要调用Session.run()。例如，将两个矩阵相乘，代码为：
importtensorflow as tf
importtensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
x = [[2.]]
m = tf.matmul(x, x)
使用print或Python调试器来检查中间结果其实是很简单的。
print(m)
# The 1x1 matrix [[4.]]
可以使用Python控制流来构建动态模型。下面是使用TensorFlow算术运算构建考拉兹猜想（Collatz conjecture）的一个示例：
a = tf.constant(12)
counter = 0
while not tf.equal(a, 1):
iftf.equal(a % 2, 0):
a = a / 2
else:
a = 3 * a + 1
print(a)
其中，tf.constant(12)张量对象的使用可以促进将所有的数学运算提升到张量运算中，因此所有返回值都将是张量。
梯度
大多数TensorFlow用户都对自动微分法（automatic differentiation）感兴趣。因为在每个调用期间可能会出现不同的操作，所以我们将所有的前向操作记录到一个磁带上，然后在计算梯度时回放。一旦我们计算好梯度之后，就可以将磁带丢弃。
如果你对autograd包非常熟悉的话，那就很简单了，因为API与它是很相似的。例如：
def square(x):
returntf.multiply(x, x)
grad = tfe.gradients_function(square)
print(square(3.)) # [9.]
print(grad(3.)) # [6.]
gradients_function调用使用Python函数square()作为参数，并返回一个Python可调用的函数，用以计算函数square()相对于其输入的偏导数。所以，为了得到输入为3.0时的square()的导数，调用grad(3.0)，即结果为6。
可以使用相同的gradients_function调用以得到square的二阶导数：
gradgrad = tfe.gradients_function(lambda x: gra
d(x)[0])
print(gradgrad(3.)) # [2.]
正如我们所说，控制流可以导致不同的操作得以运行，正如在这个例子中显示的那样：
def abs(x):
return x if x > 0. else -x
grad = tfe.gradients_function(abs)
print(grad(2.0)) # [1.]
print(grad(-2.0)) # [-1.]
自定义梯度
用户可能希望为操作或函数自定义梯度。如果从多方面考虑的话，这可能会是有益的，包括为一系列操作提供一个更有效或数值更稳定的梯度。
下面是一个示例，说明了自定义梯度的使用。我们先看看函数log(1 + ex)，它通常出现在交叉熵和对数似然值（log likelihoods）的计算中。
def log1pexp(x):
return tf.log(1 + tf.exp(x))
grad_log1pexp = tfe.gradients_function(log1pexp
)
# The gradient computation works fine at x = 0.
print(grad_log1pexp(0.))
# [0.5]
# However it returns a `nan` at x = 100 due to
numerical instability.
print(grad_log1pexp(100.))
# [nan]
我们可以使用上述函数的自定义梯度来分析简化梯度表达式。需要注意的是，下面的梯度函数实现是如何重用在正向传递期间得以计算的表达式(tf.exp(x))的，通过避免冗余计算使得梯度计算更加高效。
@tfe.custom_gradient
e = tf.exp(x)
def grad(dy):
returndy * (1 - 1 / (1 + e))
return tf.log(1 + e), grad
# Gradient at x = 0 works as before.
# And now gradient computation at x=100 works a
s well.
# [1.0]
构建模型
模型可以在类中进行组织。下面是一个模型类，它创建一个（简单的）双层网络，可以对标准的MNIST手写数字进行分类。
classMNISTModel(tfe.Network):
def __init__(self):
super(MNISTModel, self).__init__()
self.layer1 = self.track_layer(tf.layers.Dens
e(units=10))
self.layer2 = self.track_layer(tf.layers.Dens
def call(self, input):
"""Actually runs the model."""
result = self.layer1(input)
result = self.layer2(result)
return result
我们建议在tf.layers中使用类（而不是函数），因为它们创建并包含了模型参数（变量）。变量的生命周期是与层对象的生命周期绑定在一起的，因此要确保对其进行追踪。
为什么要使用tfe.Network？网络就是层的容器，也就是tf.layer.Layer本身，使得Network对象能够嵌入到其他Network对象中。它还包含帮助检查、保存和恢复的实用程序。
即使不对模型进行训练，我们也可以强制调用它并检查输出结果：
# Let's make up a blank input image
model = MNISTModel()
batch = tf.zeros([1, 1, 784])
print(batch.shape)
# (1, 1, 784)
result = model(batch)
print(result)
# tf.Tensor([[[ 0. 0., ...., 0.]]], shape=(1,
1, 10), dtype=float32)
请注意，我们不需要任何占位符或会话（sessions）。在我们第一次将输入传递进去时，层参数的大小就已经得以设置。
为了能够对任何模型进行训练，我们定义了一个损失函数进行优化、计算梯度，并使用优化器来更新变量。首先，定义一个损失函数：
defloss_function(model, x, y):
y_ = model(x)
returntf.nn.softmax_cross_entropy_with_logits
(labels=y, logits=y_)
然后，训练的循环过程如下：
optimizer = tf.train.GradientDescentOptimizer(l
earning_rate=0.001)
for (x, y) in tfe.Iterator(dataset):
grads = tfe.implicit_gradients(loss_function)
(model, x, y)
optimizer.apply_gradients(grads)
对于在其计算过程中使用的所有TensorFlow变量，implicit_gradients()将计算loss_function的导数。
我们可以将计算移动到GPU上，就像我们一直使用TensorFlow所做的那样：
withtf.device("/gpu:0"):
optimizer.minimize(lambda: loss_function(mo
del, x, y))
（注意：我们正在减少存储损失，并直接调用optimizer.minimize，当然，你也可以使用上面提到的apply_gradients()方法，它们是等效的。）
使用具有graph的eager
Eager Execution使开发和调试过程更加具有互动性，但是涉及在分布式训练、性能优化和生产部署方面，TensorFlow graphs具有很多优势。
启用Eager Execution时，执行操作的相同代码将构建一个描述Eager Execution未启动时的计算图。要将模型转换为图，只需在新的Python会话中运行相同的代码即可，其中，Eager Execution还没有得以启用，正如在MNIST示例中所看到的那样。可以从检查点保存和恢复模型变量的值，从而使我们能够更容易地在eager（命令式）和graph（声明式）之间移动编程。通过这种方式，启用Eager Execution编程的模型可以轻松导出以进行生产部署。
在不久的将来，我们将提供实用程序，以便选择性地将模型的部分转换为图。通过这种方式，你可以将计算的各个部分（例如一个自定义RNN单位的内部）融合在一起，以便实现高性能，还可以保持Eager Execution的灵活性和易读性。
代码如何更改？
对于当前的TensorFlow用户来说，使用Eager Execution应该是很直观、容易的。只有少数专门针对eager 的API可能会有些难度。大多数现有的API和操作需要与已启动的eager一起运行。下面是一些注意事项：
与TensorFlow一样，我们的建议是，如果你还没有从队列切换到使用tf.data进行输入处理，那你该将其提上日程了。它更容易使用，且通常较快。更多详情，可点击链接查阅：博客文章（https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html），相关资料文档（https://www.tensorflow.org/programmers_guide/datasets）。
使用面向对象层，如tf.layer.Conv2D()或Keras层；它们可以对变量进行显式存储。
对于大多数模型来说，你可以编写一些代码，以便它们在执行Eager Execution和图形构建时都可以使用。当然也有一些例外，例如使用Python控制流基于输入来改变计算的动态模型。
一旦你调用了tfe.enable_eager_execution()，它就不能关闭。要获取图行为，请启动一个新的Python会话。
入门和未来
这只是一个预览版，所以你可能会碰到一些不足之处。入门须知：
安装TensorFlow的nightly版本：https://github.com/tensorflow/tensorflow#installation
查看README文件（包括已知问题）：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/eager/README.md
在Eager Execution的用户指南中获取详细的说明：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/eager/python/g3doc/guide.md
查看GitHub中的有关Eager示例：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/eager/python/examples
查阅变更日志：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/README.md#changelog