昨天，TensorFlow推出了一个新功能「AutoGraph」，可以将Python代码（包括控制流print()和其他Python原生特性）转换为TensorFlow的计算图（Graph）代码。

在不使用Eager Execution的情况下，编写TensorFlow代码需要进行一些元编程——先编写一个创建计算图的程序，然后稍后执行该程序。这就比较麻烦了，尤其是对新手来说。一些特别棘手的情况涉及更复杂的模型，例如使用if和while，或者是有副作用的模型print()，或接受结构化输入。

AutoGraph

所以为什么要转化成计算图呢？计算图可以做各种优化，例如删除常见的子表达式和内核融合。

而且计算图让分布式训练和部署到各种环境更为容易，因为它们形成了独立于平台的计算模型。这对于多个GPU或TPU上的分布式训练尤为重要，或者通过TensorFlow Lite在移动或物联网等其他平台上分发模型。

下面这个例子你可能想要添加到计算图中：

1def huber_loss(a):

2 if tf.abs(a) <= delta:

3 loss = a * a / 2

4 else:

5 loss = delta * (tf.abs(a) - delta / 2)

6 return loss

如果照常使用Eager Execution，它完全可以“正常工作”，但是由于Python解释器开销或者没有进行程序优化，它可能执行的很慢。

所以，计算图执行需要一个前提条件：用类似tf.cond()的结构重写它，就是可能会比较无聊，并且难以实现。

现在，AutoGraph可以自动完成这个转换的过程，这样可以既简单又能获取基于计算图执行的性能优势。

在这个例子中，我们可以用autograph.convert()来装饰函数，AutoGraph将自动生成计算图就绪代码。

使用AutoGraph，原来的这段代码：

1@autograph.convert()

2def huber_loss(a):

3 if tf.abs(a) <= delta:

4 loss = a * a / 2

5 else:

6 loss = delta * (tf.abs(a) - delta / 2)

7 return loss

在装饰器的作用下变成下面这段：

1def tf__huber_loss(a):

2 with tf.name_scope('huber_loss'):

3

4 def if_true():

5 with tf.name_scope('if_true'):

6 loss = a * a / 2

7 return loss,

8

9 def if_false():

10 with tf.name_scope('if_false'):

11 loss = delta * (tf.abs(a) - delta / 2)

12 return loss,

13 loss = ag__.utils.run_cond(tf.less_equal(tf.abs(a), delta), if_true,

14 if_false)

15 return loss

现在，就可以直接调用代码，就像调用TensorFlow op一样：

1with tf.Graph().as_default():

2 x_tensor = tf.constant(9.0)

3

4 # The converted function works like a regular op: tensors in, tensors out.

5 huber_loss_tensor = huber_loss(x_tensor)

6

7 with tf.Session() as sess:

8 print('TensorFlow result: %2.2f' % sess.run(huber_loss_tensor))

就这样，AutoGraph填补了eager execution和计算图之间的空白，AutoGraph可以把eager-style的Python代码转换为graph-generating的代码。

AutoGraph不仅仅是一组有用的宏; 它使用源代码转换来Python的任何部分，包括控制流、函数应用程序和赋值、生成样板代码、以及重构常用的Python代码使其容易转换为计算图。

另外，不管使用什么编译器，都需要保证报错信息可读。为此，AutoGraph设置了创建错误消息和堆栈跟踪，可以帮你找到代码中的错误源，而不是仅仅是引用错误代码。

可运行的例子

这里TensorFlow官方展示了一个用循环和分支检查Collatz猜想的例子，用AutoGraph的 .to_graph()函数将其转换为计算图：

1def collatz(a):

2 counter = 0

3 while a != 1:

4 if a % 2 == 0:

5 a = a // 2

6 else:

7 a = 3 * a + 1

8 counter = counter + 1

9 return counter

10

11graph_mode_collatz = autograph.to_graph(collatz)

12# The code is human-readable, too

13print(autograph.to_code(collatz))

14

15collatz_tensor = graph_mode_collatz(tf.constant(n))

AutoGraph可以支持任意嵌套控制流，例如：

1def f(n):

2 if n >= 0:

3 while n < 5:

4 n += 1

5 print(n)

6 return n

AutoGraph允许您将元素追加到循环内的数组中，可以通过使用一些AutoGraph助手，比如set_element_type和stack来实现。

1def f(n):

2 z = []

3 # We ask you to tell us the element dtype of the list

4 autograph.set_element_type(z, tf.int32)

5 for i in range(n):

6 z.append(i)

7 # when you're done with the list, stack it

8 # (this is just like np.stack)

9 return autograph.stack(z)

10view raw

我们还支持像break、continue、print、assert等这些结构，转换后，该部分Python代码中的assert将转换为tf.Assert来表示计算图。

1def f(x):

2 assert x != 0, 'Do not pass zero!'

3 return x * x

能够轻松地添加循环，控制流程以及更多计算图，意味着可以轻松地将训练循环移动到计算图中。另外的一个例子是采用RNN训练循环并通过一次sess.run()调用执行它。在需要将整个训练循环传递给加速器而不是通过CPU控制器管理训练的情况下，这可能很有用。

如果想看更多的例子，本文文末有TensorFlow官方github例子传送门。

转换为计算图 vs Eager Execution

虽然Eager Execution很有用，但是计算图更快。虽然基准很复杂（并且依赖于程序和硬件本身），但在这个例子（链接：http://t.cn/RgCsKOe）里，我们看到了从eager execution切换到AutoGraph代码后速度大大提升。

最后，AutoGraph可以让你在GPU或者云端TPU等加速器硬件上使用动态模型或者重度控制流模型，用大数据训练大型模型时这是必须的。

AutoGraph和Eager Execution

在使用eager execution时， 你仍然可以用tf.contrib.eager.defun来把部分代码转换为计算图，需要使用图形TensorFlow ops比如tf.cond()。

将来，AutoGraph将和defun无缝集成，以在eager-style的代码中生成计算图。届时，你可以通过把eager代码转换为计算图片段来使用AutoGraph加速。

然鹅还是试验工具

虽然AutoGraph看起来很好用，不过TensorFlow官方博客的最后还是说，它还是contrib里的实验工具，不过，官方会尽快将其转移到核心TensorFlow中。

传送门

AutoGraph：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/autograph

代码示例：https://github.com/tensorflow/models/blob/master/samples/core/guide/autograph.ipynb

— 完 —