紧跟未来深度学习框架需求，TensorFlow 推出 Eager Execution

Google 的 TensorFlow 是 AI 学习者中使用率最高、名气也最大的深度学习框架，但由于 TensorFlow 最早是基于 Google 的需求开发的，在实际使用上也会存在如 文档乱、调试难 等诸多缺点，而且开发时间比较早未能及时对一些新的需求进行反应（据AI研习社了解，由于缺乏类似 PyTroch、DyNet 的动态图功能，Lecun 就不止一次吐槽过 TensorFlow 是 “过时的深度学习框架”（yesterday deep learning framework）），而针对用户的需求，Google 也在对 TensorFlow 不断改进。

在 10 月 31 日，Google 为 TensorFlow 引入了动态图机制 Eager Execution，而 Google Brain Team 的工程师 Asim Shankar 和 Wolff Dobson 也在 Google 官方博客发文详细阐述了这一功能带来的变化，AI研习社摘编如下：

今天，我们为 TensorFlow 引入了 “Eager Execution”，它是一个命令式、由运行定义的接口，一旦从 Python 被调用可立即执行操作，这使得 TensorFlow 的入门学习变的更简单，也使得研发工作变得更直观。 Eager Execution 的优点包括：

• 可以在即时的运行错误下进行快速调试，与 Python 工具进行整合
• 通过易于使用的 Python 控制流支持动态模型
• 为自定义和高阶梯度提供强大支持
• 适用于几乎目前所有的 TensorFlow 操作

目前 Eager Execution 仍处于试用阶段，因此我们也在寻求来自社区的反馈以指导我们的方向。

同时 Google 还举了一些使用 Eager Execution 的直观例子，例如使用两个矩阵相乘的代码是这样编写的：

import tensorflow as tf import tensorflow.contrib.eager as tfe tfe.enable_eager_execution() x = [[2.]] m = tf.matmul(x, x)

使用 print 或者 Python 调试器检查中间结果也非常直接。

print(m) # The 1x1 matrix [[4.]]

梯度与自定义梯度

大多数 TensorFlow 用户对自动微分感兴趣。因为每次调用期间可能会产生不同的运算，因此我们将所有的正向运算录到一个 “磁带” 上，并在计算梯度时进行反向运算。计算了梯度之后，这个 “磁带” 就没用了。

这一 API 与 autograd 包非常类似，例子如下：

def square(x): return tf.multiply(x, x) grad = tfe.gradients_function(square) print(square(3.)) # [9.] print(grad(3.)) # [6.]

在这里，gradients_function 先调用了一个预先定义的 Python 函数 square() 作为参数，并返回一个 Python 可调用函数 grad 来计算相对于输入的 square() 的偏导数。如以上例子中当输入为 3.0 时， square() 的计算结果为 9，而 grad(3.0) 为对 square() 进行偏导，其计算结果为 6。

同样，我们也可以调用 gradient_function 计算 square 的二阶导数。

此外，用户也可能需要为运算或函数自定义梯度。这一功能可能有用，例如，它可以为一系列运算提供了更高效或者数值更稳定的梯度。

以下是一个自定义梯度的例子。我们先来看函数 log(1 + e^x)，它通常用于计算交叉熵和对数似然。

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]

上述例子中，当 x=0 时，梯度计算表现良好。然而由于数值的不稳定性，当 x=100 时则会返回 `nan` 。使用上述函数的自定义梯度可用于分析简化梯度表达式。

使用 Eager 和 Graphs

Eager execution 使开发和调试互动性更强，但是 TensorFlow graphs 在分布式训练、性能优化和生产部署中也有着诸多优势。

当启用 eager execution 时，执行运算的代码同时还可以构建一个描述 eager execution 未启用状况的计算图。要将模型转换成图形，只需在新的 Python 进程中运行同样的代码即可。这一做法可以从检查点保存和修复模型变量值，这允许我们在 eager（命令式）和 graph（声明式）编程之间轻松转换。通过这种方式可以轻松地将启用 eager execution 开发出的模型导出到生产部署中。

在不久的将来，我们将提供工具来选择性地将模型的某些部分转换为图形。这样就可以融合部分计算（如自定义 RNN 单元的内部），以实现高性能并同时保持 eager execution 的灵活性和可读性。

新功能势必带来代码编写上的变化。Google 还很贴心地给出了几个 Tips：

• 与 TensorFlow 一样，我们建议，如果您还没有从队列切换到使用 tf.data 进行输入处理，请抓紧时间进行切换，它更容易使用，也会更快。 有关帮助参阅相关博客文章（http://t.cn/RpNiMIo）和文档页面（http://t.cn/Rl2azT8）。
• 使用面向对象层，如 tf.layer.Conv2D（）或 Keras 层;；它们可以直接存储变量。
• 你可以为大多数模型编写代码，无论是执行和图形构建都是一样的。 但也有一些例外，例如使用 Python 控制流来改变基于输入的计算的动态模型。
• 一旦你调用了 tfe.enable_eager_execution（），它就不能关闭。 要获取图形行为，请启动一个新的 Python 会话。

更多内容可参阅 Google 博客（http://t.cn/RlZizQ2）。