2.1 配角转成主角——从TensorFlow Eager Execution转正谈起
最早追溯到TensorFlow 1.10版本，那个时候TensorFlow由于强大的深度学习计算能力被众多的深度学习从业人员所使用。但是盛名之下还是有一些小的确定让人诟病，例如程序编写的困难，代码格式和其他深度学习框架有较大差异，运行时占用资源较多等。
TensorFlow开发组为了解决这些问题，在TensorFlow 1.10版本的时候就引入了一种新的程序运行机制——TensorFlow Eager Execution。其目的是为了解决程序开发人员使用TensorFlow作为深度学习框架时学习坡度不是很友善的缺点，同时也为了增加程序编写的方便，使用了一种新的简化的TensorFlow运行机制Eager Execution。结果一经推出就大受好评，使得很多原先使用别的机器学习框架的程序编写人员、机器学习爱好者转投TensorFlow的怀抱中。
TensorFlow Eager Execution（动态图）是一个命令式的编程环境，不建立图而是立即运算求值：运算返回具体值替换（以前）先构建运算图然后执行的机制。使得（使用）TensorFlow和调试模型变得简单，而且减少了多余（模板化、公式化操作）。
动态图是一个灵活的机器学习平台，用于研究和实验，提供以下功能：
●直观的接口：方便编码使用，基于Python数据结构。快速迭代小模型和小数据。
●调试简单：直接调用ops来检查运行模型和测试变更。使用标准Python调试工具进行即时错误报告。
●自然控制流：使用Python控制流替换图控制流，简化动态模型规范。
2.1.1 Eager简介与调用
TensorFlow的开发团队曾经表示，Eager Execution的主要优点如下：
●快速调试即刻的运行错误并通过Python工具进行整合。
●借助易于使用的Python控制流支持动态模型。
●为自定义和高阶梯度提供强大的支持。
●适用于几乎所有可用的TensorFlow运算。
1. Eager Execution的调用
Eager Execution的调用非常简单，可以直接使用代码如下：
这是因为在TensorFlow 2.0中，Eager Execution是默认开启的，因此直接引入TensorFlow即可。
而在TensorFlow 1.X版本中，Eager Execution需要手动开启，代码如下：
这些代码是在1.X版本中开启Eager Execution的方法，首先第1行是引入TensorFlow，第2~3行是显示调用Eager模式，使之可以在本段代码中使用。
此外，更为常见的是，读者安装了TensorFlow 2.0或者更高版本，对于运行在1.X版本下编写的代码，可能会产生一些问题。因此需要重新引入TensorFlow 1.X的运行模式，在引入TensorFlow的时候需要修改代码如下：
这样显式地调用TensorFlow 1.X版本的API使用。
2. Eager模式的使用
Eager Execution一个非常有意思的、作为宣传点的功能就是允许用户在不创建Graph（图）的情况下运行TensorFlow代码，代码如下：
【程序2-1】
这里默认启动了Eager模式，在使用TensorFlow读入一个序列后将其打印，结果如下：
可以看到，结果打印出了读入数据后的Tensor数据格式，即具体数值为[1,2]，维度大小为2，数据类型为int32。
如果此时需要将这个数据的具体内容打印出来，代码可以改成如下：
【程序2-2】
打印结果如下：
可以看到，此时由于加上了数据自带的numpy()函数，Tensor数据被显示转化为常用的NumPy数据格式，即常数格式。
这里顺带提一下，如果使用传统的TensorFlow编写模式，代码要修改为：
【程序2-3】
打印结果如下：
可以看到，此时数据被读入到图中而不是被直接计算，因此打印出的结果并没有具体数据，而具体数据的计算请读者自行完成。
2.1.2 读取数据
TensorFlow 1.X数据的读取是采用占位符的形式，首先将数据读取到内存中，之后建立整体的TensorFlow图，在运行图以后读取数据并显示。
TensorFlow 2.0简化了数据读取，其相似度NumPy的数据迭代风格，只使用TensorFlow中自带的Dateset API即可完成数据的迭代，代码如下：
1. 第一步：生成数据
首先是数据的生成，作者使用Numpy做了数据生成，产生了100个由0~99的数据并存储在arr_list中。
2. 第二步：使用Dataset API读取数据
下面使用Dataset读取API，代码如下：
这里首先使用Dataset.from_tensor_slices读取数据，之后使用shuffle函数打乱顺序，最终将数据以每个batch为10输出。
3. 第三步：创建计算模型
创建计算模型是数据处理的关键，这里为了简化起见，作者创建了一个非常简单的模型，即使用TensorFlow将输入的数据乘以0.1并输出，代码如下：
这里的model是一个简单函数的实现，有兴趣的读者可以往里添加更多的内容。
4. 第四步：数据的迭代输出
最后就是读取数据的迭代输出，前面已经做了说明，在Eager模式中，Dataset API是可以自动生成一个新的迭代器，将数据迭代出来。代码如下：
这样就构成了一个完整的使用Eager模型进行简单数据计算的模型，全部代码如下：
【程序2-4】
最终打印结果如图2.2所示。
图2.2 打印结果
输出结果显然不符合在程序中既定的模型，即将数列中的数乘以0.1并显示，而这里的输出数据却都显示为0。
究其原因是在Numpy数据生成的时候，以int32格式为数据的基本生成格式，因此Eager在进行计算时无法隐式地将数据转化成float类型，从而造成计算失败。
解决的办法也很方便，将数据生成代码改成如下形式：
具体内容请读者自行完成。
2.1.3 使用TensorFlow 2.0模式进行线性回归的一个简单的例子
下面我们就以一个线性回归的模型为例，介绍使用Eager模型进行机器学习计算的方法，其中涉及到模型参数的保存，以及读取已经保存的模型重新计算。
1. 第一步：模型的工具与数据的生成
首先是模型的定义，这里我们使用一个简单的一元函数模型作为待测定的模型基础，公式如下：
即3倍的输入值加上0.217作为输出值。
2. 第二步：模型的定义
在这里由于既定的模型是一个一元线性方程，因此在使用Eager模型时自定义一个类似的数据模型，代码如下：
首先使用固定数据定义模型初始化参数weight和bias，之后一个线性回归模型在初始状态拟合了一元回归模型。
3. 第三步：损失函数的定义
对于使用机器学习进行数据拟合，一个非常重要的内容就是损失函数的编写，它往往决定着数据从空间中的哪个角度去拟合真实数据。
本例使用均方差（MSE）去计算拟合的数据与真实数据之间的误差，代码如下：
这是使用TensorFlow自带损失函数计算MSE（均方差）的表示方法，当然也可以使用自定义的损失函数，代码如下：
这两者是等效的，不过自定义的损失函数可以使程序编写者获得更大的自由度，对新手来说，还是使用定制的损失函数去计算较好，这一点请读者自行斟酌。
4. 第四步：梯度函数的更新计算
下面就是梯度的函数计算，这里可以直接调用TensorFlow的优化器，作者选择使用Adam优化器作为优化工具，代码如下：
opt对应的是TensorFlow优化器的对应写法。全部代码如下：
【程序2-5】
打印结果如图2.3所示。
图2.3 打印结果
可以看到经过迭代计算以后，生成的weight值和bias值较好地拟合成预定的数据。有TensorFlow 1.X编程经验的读者可能会对这种数据更新的方式不习惯，但是需要记住这种写法：
除此之外Keras对于梯度的更新采用回调的方式对权重进行更新，代码如下：
全部代码如下（函数调用过于复杂，仅供参考）：
【程序2-6】
在这里函数会直接调用，其内部多次用到回调函数，对Python有较多研究的读者可以尝试运行一下。