Eager执行

TensorFlow的Eager执行时一种命令式编程（imperative programming），这和原生Python是一致的，当你执行某个操作时是立即返回结果的。而TensorFlow一直是采用Graph模式，即先构建一个计算图，然后需要开启Session，喂进实际的数据才真正执行得到结果。显然，eager执行更简洁，我们可以更容易debug自己的代码，这也是为什么PyTorch更简单好用的原因。一个简单的例子如下：

1. x = tf.ones((2, 2), dtype=tf.dtypes.float32)
2. y = tf.constant([[1, 2],
3. [3, 4]], dtype=tf.dtypes.float32)
4. z = tf.matmul(x, y)
5. print(z)
6. # tf.Tensor(
7. # [[4. 6.]
8. # [4. 6.]], shape=(2, 2), dtype=float32)
9. print(z.numpy())
10. # [[4. 6.]
11. # [4. 6.]]

可以看到在eager执行下，每个操作后的返回值是tf.Tensor，其包含具体值，不再像Graph模式下那样只是一个计算图节点的符号句柄。由于可以立即看到结果，这非常有助于程序debug。更进一步地，调用tf.Tensor.numpy()方法可以获得Tensor所对应的numpy数组。

这种eager执行的另外一个好处是可以使用Python原生功能，比如下面的条件判断：

1. random_value = tf.random.uniform([], 0, 1)
2. x = tf.reshape(tf.range(0, 4), [2, 2])
3. print(random_value)
4. if random_value.numpy() > 0.5:
5. y = tf.matmul(x, x)
6. else:
7. y = tf.add(x, x)

这种动态控制流主要得益于eager执行得到Tensor可以取出numpy值，这避免了使用Graph模式下的tf.cond和tf.while等算子。

另外一个重要的问题，在egaer模式下如何计算梯度。在Graph模式时，我们在构建模型前向图时，同时也会构建梯度图，这样实际喂数据执行时可以很方便计算梯度。但是eager执行是动态的，这就需要每一次执行都要记录这些操作以计算梯度，这是通过tf.GradientTape来追踪所执行的操作以计算梯度，下面是一个计算实例：

1. w = tf.Variable([[1.0]])
2. with tf.GradientTape() as tape:
3. loss = w * w + 2. * w + 5.
4. grad = tape.gradient(loss, w)
5. print(grad) # => tf.Tensor([[ 4.]], shape=(1, 1), dtype=float32)

对于eager执行，每个tape会记录当前所执行的操作，这个tape只对当前计算有效，并计算相应的梯度。PyTorch也是动态图模式，但是与TensorFlow不同，它是每个需要计算Tensor会拥有grad_fn以追踪历史操作的梯度。

TensorFlow 2.0引入的eager提高了代码的简洁性，而且更容易debug。但是对于性能来说，eager执行相比Graph模式会有一定的损失。这不难理解，毕竟原生的Graph模式是先构建好静态图，然后才真正执行。这对于在分布式训练、性能优化和生产部署方面具有优势。但是好在，TensorFlow 2.0引入了tf.function和AutoGraph来缩小eager执行和Graph模式的性能差距，其核心是将一系列的Python语法转化为高性能的graph操作。

02

AutoGraph

AutoGraph在TensorFlow 1.x已经推出，主要是可以将一些常用的Python代码转化为TensorFlow支持的Graph代码。一个典型的例子是在TensorFlow中我们必须使用tf.while和tf.cond等复杂的算子来实现动态流程控制，但是现在我们可以使用Python原生的for和if等语法写代码，然后采用AutoGraph转化为TensorFlow所支持的代码，如下面的例子:

1. def square_if_positive(x):
2. if x > 0:
3. x = x * x
4. else:
5. x = 0.0
6. return x
7. # eager 模式
8. print(‘Eager results: %2.2f, %2.2f’ % (square_if_positive(tf.constant(9.0)),
9. square_if_positive(tf.constant(-9.0))))
10. # graph 模式
11. tf_square_if_positive = tf.autograph.to_graph(square_if_positive)
12. with tf.Graph().as_default():
13. # The result works like a regular op: takes tensors in, returns tensors.
14. # You can inspect the graph using tf.get_default_graph().as_graph_def()
15. g_out1 = tf_square_if_positive(tf.constant( 9.0))
16. g_out2 = tf_square_if_positive(tf.constant(-9.0))
17. with tf.compat.v1.Session() as sess:
18. print(‘Graph results: %2.2f, %2.2f\n’ % (sess.run(g_out1), sess.run(g_out2)))

上面我们定义了一个square_if_positive函数，它内部使用的Python的原生的if语法，对于TensorFlow 2.0的eager执行，这是没有问题的。然而这是TensorFlow 1.x所不支持的，但是使用AutoGraph可以将这个函数转为Graph函数，你可以将其看成一个常规TensorFlow op，其可以在Graph模式下运行（tf2 没有Session，这是tf1.x的特性，想使用tf1.x的话需要调用tf.compat.v1）。大家要注意eager模式和Graph模式的差异，尽管结果是一样的，但是Graph模式更高效。

从本质上讲，AutoGraph是将Python代码转为TensorFlow原生的代码，我们可以进一步看到转化后的代码:

1. print(tf.autograph.to_code(square_if_positive))
2. #################################################
3. from __future__ import print_function
4. def tf__square_if_positive(x):
5. try:
6. with ag__.function_scope(‘square_if_positive’):
7. do_return = False
8. retval_ = None
9. cond = ag__.gt(x, 0)
10. def if_true():
11. with ag__.function_scope(‘if_true’):
12. x_1, = x,
13. x_1 = x_1 * x_1
14. return x_1
15. def if_false():
16. with ag__.function_scope(‘if_false’):
17. x = 0.0
18. return x
19. x = ag__.if_stmt(cond, if_true, if_false)
20. do_return = True
21. retval_ = x
22. return retval_
23. except:
24. ag__.rewrite_graph_construction_error(ag_source_map__)
25. tf__square_if_positive.autograph_info__ = {}

可以看到AutoGraph转化的代码定义了两个条件函数，然后调用if_stmt op，应该就是类似tf.cond的op。

AutoGraph支持很多Python特性，比如循环:

1. def sum_even(items):
2. s = 0
3. for c in items:
4. if c % 2 > 0:
5. continue
6. s += c
7. return s
8. print(‘Eager result: %d’ % sum_even(tf.constant([10,12,15,20])))
9. tf_sum_even = tf.autograph.to_graph(sum_even)
10. with tf.Graph().as_default(), tf.compat.v1.Session() as sess:
11. print(‘Graph result: %d\n\n’ % sess.run(tf_sum_even(tf.constant([10,12,15,20]))))

对于大部分Python特性AutoGraph是支持的，但是其仍然有限制，具体可以见Capabilities and Limitations。

链接：

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/autograph/LIMITATIONS.md

此外，要注意的一点是，经过AutoGraph转换的新函数是可以eager模式下执行的，但是性能却并不会比转换前的高，你可以对比：

1. x = tf.constant([10, 12, 15, 20])
2. print(“Eager at orginal code:”, timeit.timeit(lambda: sum_even(x), number=100))
3. print(“Eager at autograph code:”, timeit.timeit(lambda: tf_sum_even(x), number=100))
4. with tf.Graph().as_default(), tf.compat.v1.Session() as sess:
5. graph_op = tf_sum_even(tf.constant([10, 12, 15, 20]))
6. sess.run(graph_op) # remove first call
7. print(“Graph at autograph code:”, timeit.timeit(lambda: sess.run(graph_op), number=100))
8. ##########################################
9. Eager at orginal code: 0.05176109499999981
10. Eager at autograph code: 0.11203173799999977
11. Graph at autograph code: 0.03418808900000059

从结果上看，Graph模式下的执行效率是最高的，原来的代码在eager模式下效率次之，经AutoGraph转换后的代码效率最低。

所以，在TensorFlow 2.0，我们一般不会直接使用tf.autograph，因为eager执行下效率没有提升。要真正达到Graph模式下的效率，要依赖tf.function这个更强大的利器。

03

性能优化：tf.function

条件随机场（Conditional Random Field，简称CRF）是一种判别式无向图模型。生成式模型是直接对联合分布进行建模，而判别式模型则是对条件分布进行建模。前面介绍的隐马尔可夫模型和马尔可夫随机场都是生成式模型，而条件随机场是判别式模型。

尽管eager执行更简洁，但是Graph模式却是性能更高，为了减少这个性能gap，TensorFlow 2.0引入了tf.function，先给出官方对tf.function的说明:

function constructs a callable that executes a TensorFlow graph (tf.Graph) created by tracing the TensorFlow operations in func. This allows the TensorFlow runtime to apply optimizations and exploit parallelism in the computation defined by func.

简单来说，就是tf.function可以将一个func中的TensorFlow操作构建为一个Graph，这样在调用时是执行这个Graph，这样计算性能更优。比如下面的例子:

1. def f(x, y):
2. print(x, y)
3. return tf.reduce_mean(tf.multiply(x ** 2, 3) + y)
4. g = tf.function(f)
5. x = tf.constant([[2.0, 3.0]])
6. y = tf.constant([[3.0, -2.0]])
7. # `f` and `g` will return the same value, but `g` will be executed as a
8. # TensorFlow graph.
9. assert f(x, y).numpy() == g(x, y).numpy()
10. # tf.Tensor([[2. 3.]], shape=(1, 2), dtype=float32) tf.Tensor([[ 3. -2.]], shape=(1, 2), dtype=float32)
11. # Tensor(“x:0”, shape=(1, 2), dtype=float32) Tensor(“y:0”, shape=(1, 2), dtype=float32)

如上面的例子，被tf.function装饰的函数将以Graph模式执行，可以把它想象一个封装了Graph的TF op，直接调用它也会立即得到Tensor结果，但是其内部是高效执行的。我们在内部打印Tensor时，eager执行会直接打印Tensor的值，而Graph模式打印的是Tensor句柄，其无法调用numpy方法取出值，这和TF 1.x的Graph模式是一致的。

由于tf.function装饰的函数是Graph执行，其执行速度一般要比eager模式要快，当Graph包含很多小操作时差距更明显，可以比较下卷积和LSTM的性能差距：

1. import timeit
2. conv_layer = tf.keras.layers.Conv2D(100, 3)
3. @tf.function
4. def conv_fn(image):
5. return conv_layer(image)
6. image = tf.zeros([1, 200, 200, 100])
7. # warm up
8. conv_layer(image); conv_fn(image)
9. print(“Eager conv:”, timeit.timeit(lambda: conv_layer(image), number=10))
10. print(“Function conv:”, timeit.timeit(lambda: conv_fn(image), number=10))
11. # 单纯的卷积差距不是很大
12. # Eager conv: 0.44013839924952197
13. # Function conv: 0.3700763391782858
14. lstm_cell = tf.keras.layers.LSTMCell(10)
15. @tf.function
16. def lstm_fn(input, state):
17. return lstm_cell(input, state)
18. input = tf.zeros([10, 10])
19. state = [tf.zeros([10, 10])] * 2
20. # warm up
21. lstm_cell(input, state); lstm_fn(input, state)
22. print(“eager lstm:”, timeit.timeit(lambda: lstm_cell(input, state), number=10))
23. print(“function lstm:”, timeit.timeit(lambda: lstm_fn(input, state), number=10))
24. # 对于LSTM比较heavy的计算，Graph执行要快很多
25. # eager lstm: 0.025562446062237565
26. # function lstm: 0.0035498656569271647

要想灵活使用tf.function，必须深入理解它背后的机理，这里简单地谈一下。在TF 1.x时，首先要创建静态计算图，然后新建Session真正执行不同的运算：

1. import tensorflow as tf
2. x = tf.placeholder(tf.float32)
3. y = tf.square(x)
4. z = tf.add(x, y)
5. sess = tf.Session()
6. z0 = sess.run([z], feed_dict={x: 2.}) # 6.0
7. z1 = sess.run([z], feed_dict={x: 2., y: 2.}) # 4.0

尽管上面只定义了一个graph，但是两次不同的sess执行（运行时）其实是执行两个不同的程序或者说subgraph：

1. def compute_z0(x):
2. return tf.add(x, tf.square(x))
3. def compute_z1(x, y):
4. return tf.add(x, y)

这里我们将两个不同的subgraph封装到了两个python函数中。更进一步地，我们可以不再需要Session，当执行这两个函数时，直接调用对应的计算图就可以，这就是tf.function的功效：

1. import tensorflow as tf
2. @tf.function
3. def compute_z1(x, y):
4. return tf.add(x, y)
5. @tf.function
6. def compute_z0(x):
7. return compute_z1(x, tf.square(x))
8. z0 = compute_z0(2.)
9. z1 = compute_z1(2., 2.)

可以说tf.function内部管理了一系列Graph，并控制了Graph的执行。另外一个问题时，虽然函数内部定义了一系列的操作，但是对于不同的输入，是需要不同的计算图。如函数的输入Tensor的shape或者dtype不同，那么计算图是不同的，好在tf.function支持这种多态性（polymorphism）

1. # Functions are polymorphic
2. @tf.function
3. def double(a):
4. print(“Tracing with”, a)
5. return a + a
6. print(double(tf.constant(1)))
7. print(double(tf.constant(1.1)))
8. print(double(tf.constant([1, 2])))
9. # Tracing with Tensor(“a:0”, shape=(), dtype=int32)
10. # tf.Tensor(2, shape=(), dtype=int32)
11. # Tracing with Tensor(“a:0”, shape=(), dtype=float32)
12. # tf.Tensor(2.2, shape=(), dtype=float32)
13. # Tracing with Tensor(“a:0”, shape=(2,), dtype=int32)
14. # tf.Tensor([2 4], shape=(2,), dtype=int32)

注意函数内部的打印，当输入tensor的shape或者类型发生变化，打印的东西也是相应改变。所以，它们的计算图（静态的）并不一样。tf.function这种多态特性其实是背后追踪了（tracing）不同的计算图。具体来说，被tf.function装饰的函数f接受一定的Tensors，并返回0到任意到Tensor，当装饰后的函数F被执行时：

• 根据输入Tensors的shape和dtypes确定一个”trace_cache_key”；
• 每个”trace_cache_key”映射了一个Graph，当新的”trace_cache_key”要建立时，f将构建一个新的Graph，若”trace_cache_key”已经存在，那么直需要从缓存中查找已有的Graph即可；
• 将输入Tensors喂进这个Graph，然后执行得到输出Tensors。

这种多态性是我们需要的，因为有时候我们希望输入不同shape或者dtype的Tensors，但是当”trace_cache_key”越来越多时，意味着你要cache了庞大的Graph，这点是要注意的。另外，tf.function提供了input_signature，这个参数采用tf.TensorSpec指定了输入到函数的Tensor的shape和dtypes，如下面的例子：

1. @tf.function(input_signature=[tf.TensorSpec(shape=None, dtype=tf.float32)])
2. def f(x):
3. return tf.add(x, 1.)
4. print(f(tf.constant(1.0))) # tf.Tensor(2.0, shape=(), dtype=float32)
5. print(f(tf.constant([1.0,]))) # tf.Tensor([2.], shape=(1,), dtype=float32)
6. print(f(tf.constant([1]))) # ValueError: Python inputs incompatible with input_signature

此时，输入Tensor的dtype必须是float32，但是shape不限制，当类型不匹配时会出错。

tf.function的另外一个参数是autograph，默认是True，意思是在构建Graph时将自动使用AutoGraph，这样你可以在函数内部使用Python原生的条件判断以及循环语句，因为它们会被tf.cond和tf.while_loop转化为Graph代码。注意的一点是判断分支和循环必须依赖于Tensors才会被转化，当autograph为False时，如果存在判断分支和循环必须依赖于Tensors的情况将会出错。如下面的例子。

1. def sum_even(items):
2. s = 0
3. for c in items:
4. if c % 2 > 0:
5. continue
6. s += c
7. return s
8. sum_even_autograph_on = tf.function(sum_even, autograph=True)
9. sum_even_autograph_off = tf.function(sum_even, autograph=False)
10. x = tf.constant([10, 12, 15, 20])
11. sum_even(x) # OK
12. sum_even_autograph_on(x) # OK
13. sum_even_autograph_off(x) # TypeError: Tensor objects are only iterable when eager execution is enabled

很容易理解，应用tf.function之后是Graph模式，Tensors是不能被遍历的，但是采用AutoGraph可以将其转换为Graph代码，所以可以成功。大部分情况，我们还是默认开启autograph。

最要的是tf.function可以应用到类方法中，并且可以引用tf.Variable，可以看下面的例子：

1. class ScalarModel(object):
2. def __init__(self):
3. self.v = tf.Variable(0)
4. @tf.function
5. def increment(self, amount):
6. self.v.assign_add(amount)
7. model1 = ScalarModel()
8. model1.increment(tf.constant(3))
9. assert int(model1.v) == 3
10. model1.increment(tf.constant(4))
11. assert int(model1.v) == 7
12. model2 = ScalarModel() # model1和model2 拥有不同变量
13. model2.increment(tf.constant(5))
14. assert int(model2.v) == 5

后面会讲到，这个特性可以应用到tf.Keras的模型构建中。上面这个例子还有一点，就是可以在function中使用tf.assign这类具有副作用（改变Variable的值）的操作，这对于模型训练比较重要。

前面说过，python原生的print函数只会在构建Graph时打印一次Tensor句柄。如果想要打印Tensor的具体值，要使用tf.print：

1. @tf.function
2. def print_element(items):
3. for c in items:
4. tf.print(c)
5. x = tf.constant([1, 5, 6, 8, 3])
6. print_element(x)

这里就对tf.function做这些介绍，但是实际上其还有更多复杂的使用须知，详情可以参考TensorFlow 2.0: Functions, not Sessions。