今天凌晨，谷歌宣布推出TensorFlow的eager execution。这是一个命令式的、可定义的运行接口，它们由Python调用，可用来立即执行操作。
简单来说，eager execution有四大优势：
- 立即快速调试运行错误并与Python工具集成
- 支持用易用Python控制流的动态模型
- 支持自定义和高阶梯度
- 几乎所有TensorFlow操作均可用
我们可以通过一些代码更好理解eager execution，这是很技术的问题，熟悉TensorFlow将帮你更好理解。
使用eager execution
当启用eager execution时，操作将立即执行并将值返回给Python，无需调用session.run()。例如，把两个矩阵相乘，写出来是这样的：
用print或Python调试程序检查中间结果也很简单：
此外，还可以用Python flow控制构建动态模型。这是考拉兹猜想（Collatz conjecture）的一个例子，用到了TensorFlow中算术运算：
在这种情况下，用tf.constant(12)张量对象（即代码中的Tensor对象）将把所有数学运算推广到张量运算，并且所有返回值都是张量。
编写代码新变化
使用eager execution应该对当前TensorFlow用户来说更直观了。原因有多种，比如里面只有少数eager-specific API，并且大多数现有API和操作都支持eager。值得注意的还有以下几点：
- 如果你还没用过tf.data做输入处理，应该着手学习一下了。它更容易使用，并且通常处理速度更快。
tf.data介绍
https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html
- 在使用如tf.layer.Conv2D()或Keras等面向对象的层时，它们可以显式存储变量。
- 对大多数模型来说，你可以编写代码让它作用于eager execution和构建计算图。也有例外情况，比如用Python控制流根据输入改变计算。
- 一旦调用了tfe.enable_eager_execution()，就无法关闭。如要获取计算图行为，需要启动新的Python会话。
参考资料及下载
谷歌研究博客地址：
https://research.googleblog.com/2017/10/eager-execution-imperative-define-by.html
GitHub代码地址：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/README.md
代码使用手册：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/eager/python/g3doc/guide.md
祝你玩得开心~
— 完 —
