TensorFlowEager教程(一)：安装

2017年11月，TensorFlow团队发布了Eager Execution，为TensorFlow引入了迟到的动态图机制。

2017年12月13日-14日，我有幸参加了在上海举行的Google开发者大会。

图为大会入口

在大会上，TensoFlow团队也绍了才发布不久的Eager Execution，并进行了比较。（图均为本人拍摄）

大会后在公司做了一次分享，主要是介绍Eager，跑了对比的demo，以下为PPT截图。

下面开始为学习Eager准备环境

使用的Python版本为Python3.6

TensorFlow 为1.9.0rc0 CPU版本，后续的教程都不需要使用GPU

pip3 install tensorflow==1.9.0rc0

Eager 需要单独安装，使用命令安装

pip3 install tf-nightly

安装完成之后，测试是否成功

导入包不报错即为安装成功

Eager模块地址：

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/eager

官方文档：

https://www.tensorflow.org/programmers_guide/eager

官方说明：

https://ai.googleblog.com/2017/10/eager-execution-imperative-define-by.html

在官方说明中，有一个小的例子来阐明Eager的使用方法

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

效果：

由例子可以看出，我们需要导入eager包之后在程序开头启用eager_execution

tfe.enable_eager_execution()

到这里，整个TensorFlow Eager的实验环境准备好了。

下面说一下整个教程的计划。

整个教程分为十个部分，此篇为第一部分，完整的列表为：

一.安装

二.构建简单的神经网络

三.在Eager模式中使用度量

四.保存和恢复训练好的模型

五.将文本数据传输到 TFRecords

六.将图像数据传输到 TFRecords

七.如何批量读取 TFRecords 数据

八.构建一个用于情绪识别的 CNN 模型

九.构建一个序列分类的动态 RNN模型

十.构建一个时序回归 RNN模型

以上教程主要参考了madalinabuzau的项目，地址为:

madalinabuzau/tensorflow-eager-tutorials

欢迎关注我的微信公众号，名称： AI与安全 微信号：ai_and_sec

本文公众号地址：

https://mp.weixin.qq.com/s?__biz=MzAwNzc4MDgwNQ==&mid=2653124316&idx=1&sn=29ce2c2971d4de593056c640f0cbe733&key=e49ecb77009e7dd9319d7b4534b049dbd86449c044af53013a3a157ecacf1fe3c0766f3d1a079fe78ebd5110525db4d45dad3a7ff3acc261ba36a5d931c2340a4213bbe043d364892d6bafaab3ea0b74​ mp.weixin.qq.com