Tensorflow入门——Eager模式
众所周知，Tensorflow入门之所以困难，与其采用的Graph 和 Session 模式有关，这与原生的 Python 代码简单、直观的印象格格不入。同时，由于计算仅仅发生在Session里面，所以初始化参数和变量的时候没办法将结果打印出来，以至于调试起来也十分困难。
当然Google官方也意识到了这点，于是引入了Eager模式，在这个模式下tensorflow的常量和变量可以直接计算并打印出来，甚至还可以和numpy数组混合计算。本文代码参考官方教程(from github with Apache License 2.0)
同样的，为了方便与读者交流，所有的代码都放在了这里：
https://github.com/zht007/tensorflow-practice
1. 激活Eager模式
激活Eager模式也非常简单，仅几行代码。
import tensorflow as tf
tf.enable_eager_execution()
tfe = tf.contrib.eager
注意，eager模式在程序开始就要激活，且不能与普通模式混用。另外tfe在后面优化器(Optimizer)的时候需要用到，故先在这里定义了。
2. Eger模式上手
Eger模式下，定义的变量或者常量可以直接打印出来
a = tf.constant([[1, 2],
[3, 4]])
print('a=',a)
b = tf.Variable(np.zeros((2,2)))
print('\n b=',b)
c = tf.Variable([[6, 7],
[8, 9]])
print('\n c=',c)
-------output-------
a= tf.Tensor(
[[1 2]
[3 4]], shape=(2, 2), dtype=int32)
b= <tf.Variable 'Variable:0' shape=(2, 2) dtype=float64, numpy=
array([[0., 0.],
[0., 0.]])>
c= <tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[6, 7],
[8, 9]], dtype=int32)>
可以直接转换成我们熟悉的numpy arrary
print(c.numpy())
---output---
[[6 7]
[8 9]]
当然也可以直接计算并输出结果，甚至可以与numpy arrary 混合计算。
x = tf.Variable([[6, 7],
[8.0, 9.0]],dtype ="float32")
y = np.array([[1,2],
[3,4]],dtype ="float32")
print(tf.matmul(x,y))
----output----
tf.Tensor(
[[27. 40.]
[35. 52.]], shape=(2, 2), dtype=float32)
3. Eager 模式下训练线性回归模型
最后我们用Tensor Flow 在Eager模式下训练线性回归模型，该模型我们之前已经用Tensorflow和Keras训练过了，感兴趣的朋友可以参照之前的文章进行对比。
3.1 创建模拟数据
与之前的数据一样，此处数据是100万个带噪音的线性数据，100万个点用plt是画不出来的，图中随机采样了250个点
我们定义一个帮助函数方便以batch的形式这100万个数据点中随机抽取batch size大小的数据进行训练
def next_batch(x_data, batch_size):
batch_index = np.random.randint(len(x_data),size=(BATCH_SIZE))
x_train = x_data[batch_index]
y_train = y_true[batch_index]
return x_train, y_train
3.2 定义变量
此处与普通模式下的tensorflow变量没有任何区别
w_tfe = tf.Variable(np.random.uniform())
b_tfe = tf.Variable(np.random.uniform(1,10)
3.3 线性函数
在普通模式下的tensorflow中我们需要定义计算图谱，这里我们直接以 python 函数的形式，定义要训练的线性回归函数。
def linear_regression(inputs):
return inputs * w_tfe + b_tfe
3.4 损失函数
同样的，MS(Mean Square)损失函数也要以python 函数的形式定义，而不是计算图谱。
def mean_square_fn(model_fn, inputs, labels):
return tf.reduce_sum(tf.pow(model_fn(inputs) - labels, 2)) / (2 * BATCH_SIZE)
3.5 优化器
同样使用Gradient Descent 的优化器，不同在于，普通模式下我们创建一个计算图谱train = optimizer.minimize(error)， 在Eager模式下，要用tfe.implicit_gradients()来返回一个函数。
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
grad = tfe.implicit_gradients(mean_square_fn)
3.6 模型训练
由于没有计算图谱，所以也不需要初始化变量，也不需在Session下运行，而是类似于原生 Python 函数的形式将数据传入"Optimizer模型"函数。训练完成之后，w 和 b 的参数也自动保存下来，不必在Session中提取。
for step in range(BATCHS):
x_train, y_train = next_batch(x_data, BATCH_SIZE)
optimizer.apply_gradients(grad(linear_regression, x_train, y_train))
3.7 验证训练结果
直接将最终的 w 和 b 带入线性函数，训练结果也非常符合预期。
4. 总结
Eager 模式下的 Tensorflow 与原生的 Python 代码非常类似，可以直接计算并打印结果，创建和训练模型的过程也类似于python函数的创建和调用。Eager 和Keras API 都是Tensorflow 2.0 官方主推的 Tensorflow使用方式，相信在不久的将来，获取我们就再也看不到 init = tf.global_variables_initializer() 还有 with tf.Session() as sess:这样的类似八股文一样的关键词啦。
转载自：
作者：Hongtao洪滔
链接：https://www.jianshu.com/p/883addf4a1b2
