【新聞】：機器學習煉丹術的粉絲的人工智慧交流群已經建立，目前有目標檢測、醫學影象、時間序列等多個目標為技術學習的分群和水群嘮嗑的總群，歡迎大家加煉丹兄為好友，加入煉丹協會。微信：cyx645016617.

參考目錄：

• 1 什麼是eager模式
• 2 TF1.0 vs TF2.0
• 3 獲取導數/梯度
• 4 獲取高階導數

之前講解了如何構建資料集，如何建立TFREC檔案，如何構建模型，如何儲存模型。這一篇文章主要講解，TF2中提出的一個eager模式，這個模式大大簡化了TF的複雜程度。

1 什麼是eager模式

Eager模式（積極模式），我認為是TensorFlow2.0最大的更新，沒有之一。

Tensorflow1.0的時候還是靜態計算圖，在《小白學PyTorch》系列的第一篇內容，就講解了Tensorflow的靜態特徵圖和PyTorch的動態特徵圖的區別。Tensorflow2.0提出了eager模式，在這個模式下，也支援了動態特徵圖的構建

不得不說，改的和PyTorch越來越像了，但是人類的工具總是向著簡單易用的方向發展，這肯定是無可厚非的。

2 TF1.0 vs TF2.0

TF1.0中加入要計算梯度，是隻能構建靜態計算圖的。

1. 是先構建計算流程；
2. 然後開始起一個會話物件；
3. 把資料放到這個靜態的資料圖中。

整個流程非常的繁瑣。

# 這個是tensorflow1.0的程式碼
import tensorflow as tf
a = tf.constant(3.0)
b = tf.placeholder(dtype = tf.float32)
c = tf.add(a,b)
sess = tf.Session() #建立會話物件
init = tf.global_variables_ini                            tializer()
sess.run(init) #初始化會話物件
feed = {
    b: 2.0
} #對變數b賦值
c_res = sess.run(c, feed) #通過會話驅動計算圖獲取計算結果
print(c_res)
 

程式碼中，我們需要用palceholder先開闢一個記憶體空間，然後構建好靜態計算圖後，在把資料賦值到這個被開闢的記憶體中，然後再執行整個計算流程。

下面我們來看在eager模式下執行上面的程式碼

import tensorflow as tf
a = tf.Variable(2)
b = tf.Variable(20)
c = a + b

沒錯，這樣的話，就已經完成一個動態計算圖的構建，TF2是預設開啟eager模式的，所以不需要要額外的設定了。這樣的構建方法，和PyTorch是非常類似的。

3 獲取導數/梯度

假如我們使用的是PyTorch，那麼我們如何得到\(w\times x + b\)

import torch
# Create tensors.
x = torch.tensor(10., requires_grad=True)
w = torch.tensor(2., requires_grad=True)
b = torch.tensor(3., requires_grad=True)
# Build a computational graph.
y = w * x + b    # y = 2 * x + 3
# Compute gradients.
y.backward()
# Print out the gradients.
print(x.grad)    # tensor(2.)
print(w.grad)    # tensor(10.)
print(b.grad)    # tensor(1.)

都沒問題吧，下面用Tensorflow2.0來重寫一下上面的內容：

import tensorflow as tf
x = tf.convert_to_tensor(10.)
w = tf.Variable(2.)
b = tf.Variable(3.)
with tf.GradientTape() as tape:
    z = w * x + b
dz_dw = tape.gradient(z,w)
print(dz_dw)
>>> tf.Tensor(10.0, shape=(), dtype=float32)

我們需要注意這幾點：

• 首先結果來看，沒問題，w的梯度就是10；
• 對於參與計算梯度、也就是參與梯度下降的變數，是需要用tf.Varaible來定義的;
• 不管是變數還是輸入資料，都要求是浮點數float，如果是整數的話會報錯，並且梯度計算輸出None；
  
• tensorflow提供tf.GradientTape來實現自動求導，所以在tf.GradientTape內進行的操作，都會記錄在tape當中，這個就是tape的概念。一個攝影帶，把計算的過程錄下來，然後進行求導操作

現在我們不僅要輸出w的梯度，還要輸出b的梯度，我們把上面的程式碼改成：

import tensorflow as tf
x = tf.convert_to_tensor(10.)
w = tf.Variable(2.)
b = tf.Variable(3.)
with tf.GradientTape() as tape:
    z = w * x + b
dz_dw = tape.gradient(z,w)
dz_db = tape.gradient(z,b)
print(dz_dw)
print(dz_db)

執行結果為：

這個錯誤翻譯過來就是一個non-persistent的錄影帶，只能被要求計算一次梯度。 我們用tape計算了w的梯度，然後這個tape清空了資料，所有我們不能再計算b的梯度。

解決方法也很簡單，我們只要設定這個tape是persistent就行了：

import tensorflow as tf
x = tf.convert_to_tensor(10.)
w = tf.Variable(2.)
b = tf.Variable(3.)
with tf.GradientTape(persistent=True) as tape:
    z = w * x + b
dz_dw = tape.gradient(z,w)
dz_db = tape.gradient(z,b)
print(dz_dw)
print(dz_db)

執行結果為：

4 獲取高階導數

import tensorflow  as tf
x = tf.Variable(1.0)
with tf.GradientTape() as t1:
    with tf.GradientTape() as t2:
        y = x * x * x
    dy_dx = t2.gradient(y, x)
    print(dy_dx)
d2y_d2x = t1.gradient(dy_dx, x)
print(d2y_d2x)
>>> tf.Tensor(3.0, shape=(), dtype=float32)
>>> tf.Tensor(6.0, shape=(), dtype=float32)

想要得到二階導數，就要使用兩個tape，然後對一階導數再求導就行了。