本文介绍了最新版的Tensorflow 1.7的功能及其使用方法，重点介绍其中最有趣的功能之一eager_execution，它许用户在不创建静态图的情况下运行tensorflow代码。本文给出了使用eager_execution的步骤及一些注意事项，并不涉及理论知识，如果您已经对Tensorflow有所了解，那么可以阅读以下本文，它能指导您使用这个有趣的功能：
- 使用Eager Execution，你可以在没有session的情况下运行你的代码
- 使用您自己的functions轻松解决梯度计算
- 支持将数据库里的数据读成用于实验的数据集
- 对TensorRT的初始支持，以便您可以优化您的模型
最有趣的功能之一是eager_execution，允许用户在不创建图形的情况下运行tensorflow代码。 让我们尝试一个简单的程序：
注意输出是一个张量而不是实际的数组本身。为了得到数组值，你需要在session中运行它。正如您所知道的，创建大型神经网络时，您无法使用打印查看操作的输出，从而增加了调试的复杂性。要检查操作的输出，您需要运行session并检查session内的输出：
现在让我们换种方式再试一次：
现在通过使用tf.enable_eager_execution（）可以获得实际值。在eager_execution中，操作的输出将是实际值而不是张量。但tf.enable_eager_execution的使用并不那么简单。 看看下一个例子。 下面是一段变量声明：
所以声明一个Tensorflow变量会引发一个错误，应该使用tf.contrib.eager.Variable。 这意味着我们不能在已有程序中使用Eager execution，并希望它能够工作。为了使用eager实现功能，您需要更改您的代码。其中一个变化是，您可以使用tensorflow数据API来代替使用占位符和变量将数据提供给模型。 这通常更快，更易于管理。 以下是一个函数，它可根据平整化的图像，标签和批量大小（flattened images, labels and batch_size）来生成数据集。
现在让我们试试这个函数。 我们得到下面的结果。 我们可以使用迭代器访问数据集中的数据来进行批处理。
我们使用GradientTape记录所有操作以便稍后应用于梯度更新。
grad（）函数返回关于权重和偏差的损失的导数。然后将此传递给optimizer.apply_gradients（）完成梯度下降的过程。除了上述变化外，几乎所有东西都保持不变。 在使用eager execution之前，以下是一些关键点：
- 数据必须使用tensorcow.data.Dataset进行初始化。 （也可以使用其他方式，但不建议使用）
- eager execution默认在CPU上运行，要使用GPU，需要包含以下代码：with tf.device（'/ gpu：0'）
- eager execution不会创建张量图，要构建图只需要删除tf.enable_eager_execution（）即可
- eager execution对开发（R&D）有好处，但在生产环境中你应该使用graph execution。
- 您可以保存通过eager execution生成的模型，然后以graph 或eager execution的形式加载该模型。
