TensorFlow的Eager API基础介绍
Eager：急切的、渴望的；很多文章翻译为：动态图，Eager execution（立即执行）引申为动态图。
Eager使得Tensorflow可以立刻执行运算：并返回具体值，替换（之前）建立计算图（它）过一会才执行。动态图）是一个命令式的编程环境，不建立图而是立即运算求值：运算返回具体值替换（以前）先构建运算图然后执行的机制。使得（使用）Tensorflow和调试模型变得简单，而且减少了多余（模板化、公式化操作）
动态图是一个灵活的机器学习平台，用于研究和实验，提供以下功能：
- An intuitive interface—Structure your code naturally and use Python data structures. Quickly iterate on small models and small data.
- 直观的接口-方便编码使用使用，基于Python数据结构。快速迭代小模型和小数据
- Easier debugging—Call ops directly to inspect running models and test changes. Use standard Python debugging tools for immediate error reporting.
- 调试简单-直接调用ops来检查运行模型和测试变更。使用标准Python调试工具进行即时错误报告。
- Natural control flow—Use Python control flow instead of graph control flow, simplifying the specification of dynamic models.
- 自然控制流-使用Python控制流替换图控制流，简化动态模型规范。
动态图支持大部分Tensorflow运算和GPU（图像设备接口，显卡）加速，运行动态库实例见：
导入库
import numpy as np
import tensorflow as tf设置Eager API
print('正在设置Eager模式')
tf.enable_eager_execution()
tfe = tf.contrib.eager定义常张量
print('定义常张量')
a = tf.constant(2)
print('a = %i' % a)
b = tf.constant(3)
print('b = %i' % b) 在不需要打开一个tf.Session()的情况下运行计算
print('在不需要tf.Session()的情况下运行计算')
c = a + b
print('a + b = %i' % c)
d = a * b
print('a * b = %i' % d)
与Numpy全兼容
定义常张量
print('混合TensorFlow Tensor和Numpy向量的运算')
a = tf.constant([[2., 1,],
[1., 0.]], dtype=tf.float32)
print('Tensor:\n a = %s' % a)
b = np.array([[3., 0.],
[5., 1.]], dtype=np.float32)
print('NumpyArray:\n b = %s' % b)在不需要tf.Session()的情况下运行计算
c = a + b
print('a + b = %s' % c)
d = tf.matmul(a, b)
print('a * b = %s' % d)迭代张量a
print('迭代a张量')
for i in range(a.shape[0]):
for j in range(a.shape[1]):
print(a[i][j])