简介
TensorFlow Eager Execution（动态图）模式在TensorFlow 1.8版本中开始引入，相比传统的Graph Execution模式有了很大的进步。该模式能够快速调试，使用Python原生控制语句，能够大大降低学习的门槛。作为未来TensorFlow 2.0版本的默认模式，有必要从现在就开始熟悉。本文作为一个入门简介，将简要介绍TensorFlow安装以及如何使用Eager Execution模式。
安装
可以参考之前的一篇文章（Windows + Python + Pycharm + CUDA + Tensorflow (GPU) 安装教程）。
环境配置：
- Python 3.6版本；
- 集成开发环境PyCharm（Community版本免费；学生可申请Professional版本的 免费授权）；
- 对于GPU版本还需要安装显卡驱动程序，CUDA，cuDNN。
当前面的环境都配置好了就可以开始安装TensorFlow了。可以使用PyCharm中安装库的方式；最简单的方式是使用pip安装：
|
1 |
pip install tensorflow |
安装GPU版本
|
1 |
pip install tensorflow-gpu |
如果之前已经安装了TensorFlow，想升级的话可以使用PyCharm中升级库的方式，或使用pip升级：
|
1 2 3 4 |
pip install tensorflow --upgrade # 或安装特定版本 pip install tensorflow==1.8.0 |
Eager Execution模式编程
TensorFlow 1.8版本只是引入了该模式，并没有作为默认模式。使用的时候需要显示申明：
|
1 2 |
import tensorflow as tf tf.enable_eager_execution() |
通过 tf.enable_eager_execution() 启动动态图模式，接着输入以下代码：
|
1 2 3 4 5 6 |
a = tf.constant([1.0]) b = tf.constant([2.0]) c = tf.add(a, b) print(c) print(c.numpy()) |
结果为：
|
1 2 |
tf.Tensor([3.], shape=(1,), dtype=float32) [3.] |
可以看出使用了动态图编程逻辑非常清晰，与python原生控制是一样的，因此可以很简单的与python进行交互。而静态图很麻烦，必须建立Session运行整个流程。
总结
本文只是作为入门TensorFlow Eager Execution模式的简介，后面还会介绍更多该模式的应用。