1 定义
用于数值计算，支持GPU加速，类似Numpy的库；能够自动微分，用于机器学习研究和试验，是一个较灵活的平台。
2 优势
- 与python debugging工具兼容，可以很方便的进行调试
- 提供了中间出错日志提示
- 允许使用python数据结构
- 很容易执行，并且是python风格的控制流
使用Eager，你不用再担心关于：placeholders，sessions，control dependencies，“lazy loading”，name或者variabel scopes等问题。
3 example
接下来，我们来对比用eager执行的代码到底有多简洁，如下是基于graphs图定义，sesseion执行的一个例子：
import tensorflow as tf
def example():
x = tf.placeholder(tf.float32, shape=[1,1])
m = tf.matmul(x,x)
print(m)
with tf.Session() as sess:
m_out = sess.run(m, feed_dict={
x: [[2.]]})
print(m_out)
结果为[[4.]]，我们可以看出，执行一个简单的平方数，需要placeholder定义，session执行，run出结果，才可以看到得到结果，第一个print语句，没run之前，是看不到结果的。
那么我们来看下上面的功能，用eager执行怎么实现，如下代码所示：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
def example():
x = [[2.]]
m = tf.matmul(x,x)
print(m)
if __name__=='__main__':
example()
代码简洁了很多，不再需要定义placeholder，session run出结果等。
3.1 Gradients
自动求解微分以及集成到eager的执行器里了，让我们简单测试一个例子，看eager执行器怎么求解梯度：
# -*-coding:utf8 -*-
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()
import sys
def loss(x,y):
return (y - x**2)**2
def gradients():
x = tfe.Variable(2.0)
grad = tfe.implicit_gradients(loss)
print(loss(x,7.))
print(grad(x,7.))
if __name__=='__main__':
gradients()
运行结果为：
tf.Tensor(9.0, shape=(), dtype=float32) (loss值）
[(<tf.Tensor: id=59, shape=(), dtype=float32, numpy=-24.0>, <tf.Variable ‘Variable:0’ shape=() dtype=float32, numpy=2.0>)] （梯度值）
4 选择eager的理由
- 如果想要更加灵活的框架，能够在试验中使用python控制流和数据结构，那么eager是个不错的选择
- 开发一个新的模型，debug的时候可以方便的打印中间错误日志信息，那么eager是个不错的选择
- 如果你是一个新入门tensorflow，选择eager，让你可以使用python去探索更多的TF API，在tensorflow 2.0中，默认使用eager执行器。