2-2三种计算图——eat_tensorflow2_in_30_days

有三种计算图的构建方式：静态计算图、动态计算、以及Autograph

在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图

而在TensorFlow2.0时代，采用的是动态计算图，即每使用一个算子后，该算子会被动态加入到隐含的默认计算图中立即执行得到结果，而无需开启Session

使用动态计算图即Eager Execution的好处是方便调试程序，它会让TensorFlow代码的变现和Python原生代码的表现一致，写起来像numpy一样，各种日志打印，控制流全部都是可以使用的

使用动态计算图的缺点是运行效率相对会低一些。因为使用动态图会有许多次Python进程和TensorFlow的C++进程之间的通信。而静态计算图构建完成之后几乎全部在TensorFlow内核上使用C++代码执行，效率更高。此外静态计算图会对计算步骤进行一定的优化，剪去和结果无关的计算步骤

如果需要在TensorFlow2.0中使用静态计算图，可以使用@tf.function装饰器将普通的Python函数转换成对应的TensorFlow计算图构建代码。运行该函数就相当于在TensorFlow1.0中用Session执行代码。使用tf.function构建静态计算图的方式叫作Autograph

计算图简介

计算图由节点(nodes)和线(edges)组成

节点表示操作符Operator，或者称之为算子，线表示计算间的依赖

实线表示有数据传递依赖，传递的数据即张量

虚线通常可以表示控制依赖，即执行先后顺序

静态计算图

在TensorFlow1.0中，使用静态计算图分两步，第一步定义计算图，第二步在会话中执行计算图

# TensorFlow 1.0静态计算图范例
import tensorflow as tf

#定义计算图
g = tf.Graph()
with g.as_default():
    #placeholder为占位符，执行会话时候指定填充对象
    x = tf.placeholder(name='x', shape=[], dtype=tf.string)  
    y = tf.placeholder(name='y', shape=[], dtype=tf.string)
    z = tf.string_join([x,y],name = 'join',separator=' ')

#执行计算图
with tf.Session(graph = g) as sess:
    print(sess.run(fetches = z,feed_dict = {x:"hello",y:"world"}))

TensorFlow2.0为了确保对老版本TensorFlow项目的兼容性，在tf.compat.v1子模块中保留了对TensorFlow1.0那种静态计算图构建风格的支持，可称之为怀旧版静态计算图，已经不推荐使用了

import tensorflow as tf

g = tf.compat.v1.Graph()
with g.as_default():
    x = tf.compat.v1.placeholder(name='x', shape=[], dtype=tf.string)
    y = tf.compat.v1.placeholder(name='y', shape=[], dtype=tf.string)
    z = tf.strings.join([x, y], name='join', separator=' ')
with tf.compat.v1.Session(graph=g) as sess:
    # fetches的结果非常像一个函数的返回值，而feed_dict中的占位符相当于函数的参数序列
    result = sess.run(fetches=z, feed_dict={x: 'hello', y: 'world'})
    print(result)
"""
b'hello world'
"""

动态计算图

在TensorFlow2.0中，使用的是动态计算图和Autograph

在TensorFlow1.0中，使用静态计算图分两步，第一步是定义计算图，第二步会在会话中执行计算图

动态计算图已经不区分计算图的定义和执行了，而是定义后立即执行，因此称之为Eager Execution，Eager这个英文单词的愿意是“迫不及待的”，也就是立即执行的意思

# 动态计算图在每个算子处都进行构建，构建后立即执行
x = tf.constant('hello')
y = tf.constant('world')
z = tf.strings.join([x, y], separator=' ')
tf.print(z)
"""
hello world
"""

# 可以将动态计算图代码的输入和输出关系封装成函数
def strjoin(x, y):
    z = tf.strings.join([x, y], separator=' ')
    tf.print(z)
    return z

result = strjoin(tf.constant('hello'), tf.constant('world'))
print(result)
"""
hello world
tf.Tensor(b'hello world', shape=(), dtype=string)
"""

TensorFlow2.0的Autograph

动态计算图运行效率相对较低

可以用@tf.function装饰器将普通Python函数转换成TensorFlow1.0对应的静态计算图构建代码

在TensorFlow1.0中，使用计算图分两步，第一步定义计算图，第二步在会话中执行计算图

在TensorFlow2.0中，如果采用Autograph的方式使用计算图，第一步定义计算图变成了定义函数，第二步执行计算图变成了调用函数

不需要使用会话了，一切都像原生的Python语法一样自然

实践中，我们一般会先用动态计算图调试代码，然后在需要提高性能的地方利用@tf.function切换成Autograph获得更高的效率

当然@tf.function的使用需要遵循一定的规范，后面章节重点介绍

import tensorflow as tf

# 使用autograph构建静态计算图

@tf.function
def strjoin(x, y):
    z = tf.strings.join([x, y], separator=' ')
    tf.print(z)
    return z

result = strjoin(tf.constant('hello'), tf.constant('world'))
print(result)

"""
hello world
tf.Tensor(b'hello world', shape=(), dtype=string)
"""

import datetime

# 创建日志
import os
# stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
# logdir = os.path.join('data', 'autograph', stamp)

# 在Python3下建议使用pathlib修正操作系统的路径
from pathlib import Path
stamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = str(Path('./data/autograph/' + stamp))

writer = tf.summary.create_file_writer(logdir)

# 开启autograph跟踪
tf.summary.trace_on(graph=True, profiler=True)

# 执行autograph
result = strjoin(tf.constant('hello'), tf.constant('world'))

# 将计算图信息写入日志
with writer.as_default():
    tf.summary.trace_export(
        name='autograph',
        step=0,
        profiler_outdir=logdir
    )
    
"""
hello world
"""

# 启动tensorboard在jupyter中的魔法命令
%load_ext tensorboard

# 启动tensorboard
%tensorboard --logdir ./data/autograph/