Question

可以通过tf.function和autograph.to_graph获得相似的结果。
但是，这似乎取决于版本。

例如，功能（摘自官方指南）：

def square_if_positive(x):
  if x > 0:
    x = x * x
  else:
    x = 0.0
  return x

可以使用以下方式在图形模式下进行评估：

autograph.to_graph

tf_square_if_positive = autograph.to_graph(square_if_positive)

with tf.Graph().as_default():
  g_out = tf_square_if_positive(tf.constant( 9.0))
  with tf.Session() as sess:
    print(sess.run(g_out))

tf.function

@tf.function
def square_if_positive(x):
  if x > 0:
    x = x * x
  else:
    x = 0.0
  return x

square_if_positive(tf.constant( 9.0))

所以：

tf.function和autograph.to_graph之间是什么关系？可以假设tf.function在内部使用autograph.to_graph（以及autograph.to_code），但这远非显而易见。
TF2.0是否仍支持autograph.to_graph代码段（因为它需要tf.Session）？它出现在TF 1.14的autograph doc中，但没有出现在TF 2.0的相应文档中

Answer 1

我在由三部分组成的文章中涵盖并回答了您的所有问题：“分析tf.function以发现AutoGraph的优势和精妙之处”：part 1，part 2，part 3。

总结并回答您的3个问题：

tf.function和autograph.to_graph之间是什么关系？

tf.function默认使用AutoGraph。当您第一次装饰功能时，会发生以下情况：

执行函数主体（类似于TensorFlow 1.x，因此无需急切模式），并跟踪其执行（现在tf.function知道存在哪些节点，保留if的哪个分支，等等。上）
同时，AutoGraph启动并尝试转换为tf.*调用，即它知道的Python语句（while-> tf.while，if-> {{ 1}}，...）-。

合并来自第1点和第2点的信息，将创建一个新图，并根据函数名称和参数类型将其缓存在映射中（有关详细信息，请参阅文章）。

TF2.0仍支持autograph.to_graph代码段吗？

是的，tf.autograph.to_graph仍然存在，它在内部为您创建了一个会话（在TF2中，您不必担心它们）。

无论如何，我建议您阅读链接的三篇文章，因为它们详细介绍了tf.cond的这一点和其他特点。

Answer 2

@nessuno的回答非常好，对我有很大帮助。而实际上，文档tf.autograph.to_graph直接解释了autograpsh和tf.funciton之间的关系：

与tf.function不同，to_graph是将Python代码转换为TensorFlow图形代码的低级编译器。它不执行任何缓存，变量管理或创建任何实际操作，并且最好用于需要对生成的TensorFlow图进行更大控制的位置。与tf.function的另一个区别是to_graph不会将图形包装为TensorFlow函数或Python可调用。在内部，tf.function使用to_graph。

Tensorflow中的tf.function和autograph.to_graph之间是什么关系？

2 个答案: