曾几何时， TensorFlow 1.x那种先构建静态图，然后再运行的方式，让无数人因为编码方式反直觉化，反Pythonic化，而觉得异常“恶心”
import tensorflow as tf
# Build a graph.
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
# 反直觉化，反Pythonic化编码方式，让人感到不舒服
with tf.Session() as sess:
print sess.run(c)
TensorFlow 2.x后，引入了tf.function()，终于让开发者在获得静态图高性能的情况下，不用再使用session.run()了。
那什么是tf.funciton()呢？
tf.funciton通过一个装饰器来对函数进行编译，转化为tensorflow的静态计算图进行计算。让开发者在eager mode下调试代码，然后通过装饰器@tf.function，非常方便的把调试好的代码一键转换为TensorFlow静态图，从而获得执行的高性能。
完整的tf.function性能试验代码：
import tensorflow as tf
from tensorflow import keras
import time
# 创建一个模型.
model = keras.Sequential(
[
keras.layers.Dense(32, activation="relu"),
keras.layers.Dense(32, activation="relu"),
keras.layers.Dense(10),
]
)
loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
optimizer = tf.keras.optimizers.Adam(learning_rate=1e-3)
# 定义一个训练函数
# 在eager mode下，调试函数
# 调试完毕后加入装饰器@tf.function，可以把普通Python函数编译为TensorFlow静态图
# 大大提升执行效率
@tf.function # 将普通Python函数编译为TensorFlow静态图，大大提高执行效率
def train_on_batch(x, y):
with tf.GradientTape() as tape:
logits = model(x)
loss = loss_fn(y, logits)
gradients = tape.gradient(loss, model.trainable_weights)
optimizer.apply_gradients(zip(gradients, model.trainable_weights))
return loss
# Prepare a dataset.
(x_train, y_train), _ = tf.keras.datasets.mnist.load_data()
dataset = tf.data.Dataset.from_tensor_slices(
(x_train.reshape(60000, 784).astype("float32") / 255, y_train)
)
dataset = dataset.shuffle(buffer_size=1024).batch(64)
start = time.time()
for step, (x, y) in enumerate(dataset):
loss = train_on_batch(x, y)
if step % 100 == 0:
print("Step:", step, "Loss:", float(loss))
end = time.time()
print("Time:", (end-start))
通过注释掉@tf.function可以比较eager mode下和编译为静态图后的执行效率差异。
Eager mode下执行普通Python函数：5.14s
编译为TensorFlow静态图后：1.62s
性能相差接近4倍！
TensorFlow静态图执行性能
eager mode执行性能
