TensorFlow發布重大功能改進AutoGraph，能自動將Python代碼轉換為TensorFlow Graph，TF動態圖處理速度大幅提升！

今天，TensorFlow團隊發布新功能“AutoGraph”，能自動將Python代碼（包括控制流，print () 和其他Python原生特征）轉換為純TensorFlow圖代碼（pure TensorFlow graph code）。

不使用Eager Execution編寫TensorFlow代碼需要進行一些元編程（metaprogramming） ——先編寫一個創建圖（Graph）的程序，稍后再執行這個Graph。這可能令人困惑，尤其是對開發者新手來說。一些特別棘手的情況涉及更復雜的模型，比如要使用 if 和 while 的模型，或者有 print () 等副作用或接受結構化輸入的模型。

為什么我們需要Graph呢？Graph允許各種優化，例如刪除常見的子表達式和融合內核（fusing kernel）。再者，Graph簡化了分布式訓練和部署到各種環境的過程，因為它們形成了獨立于平臺的模型計算過程。這對于模型在多個GPU或TPU上的分布式訓練尤為重要，如果你通過TensorFlow Lite、移動端、物聯網等其他平臺分發模型，Graph也很重要。

下面是一個很簡單的、你可能希望添加到Graph里的操作：

defhuber_loss(a):iftf.abs(a)<=?delta:????loss?=?a?*?a?/?2??else:????loss?=?delta?*?(tf.abs(a)?-?delta?/?2)??return?loss

通過Eager Execution，只是能做到這一點，但是由于Python解釋器開銷（interpreter overheads）或錯過的程序優化機會，此類操作可能會很慢。

為了準備執行Graph，你需要重寫這個以使用像 tf.cond () 這樣的結構，但那樣實現起來可能會耗時耗力而且很困難。AutoGraph可以為自動執行此類轉換，將動態圖編程的簡易性保持很低的同時，獲得基于Graph執行的性能優勢。

在示例中，我們可以使用 autograph.convert () 來修飾函數，AutoGraph將自動生成 graph-ready 的代碼。

使用AutoGraph，這段代碼：

@autograph.convert()defhuber_loss(a):iftf.abs(a)<=?delta:????loss?=?a?*?a?/?2??else:????loss?=?delta?*?(tf.abs(a)?-?delta?/?2)??return?loss

在執行時將變成這種樣子：

deftf__huber_loss(a):withtf.name_scope('huber_loss'):defif_true():withtf.name_scope('if_true'):loss=a*a/2returnloss,defif_false():withtf.name_scope('if_false'):loss=delta*(tf.abs(a)-delta/2)returnloss,loss=ag__.utils.run_cond(tf.less_equal(tf.abs(a),delta),if_true,if_false)returnloss

你可以直接調用代碼，就像TensorFlow op一樣：

withtf.Graph().as_default():x_tensor=tf.constant(9.0)#Theconvertedfunctionworkslikearegularop:tensorsin,tensorsout.huber_loss_tensor=huber_loss(x_tensor)withtf.Session()assess:print('TensorFlowresult:%2.2f '%sess.run(huber_loss_tensor))

綜上，AutoGraph填補了Eager Execution和Graph之間的空白。AutoGraph 將你的 eager-style Python 代碼自動轉換為動態圖生成（graph-generating）代碼。

AutoGraph不僅僅是一組有用的宏指令(macro); 它涵蓋Python語言的任何部分(利用源代碼轉換)，包括控制流、函數應用程序和賦值、生成模板代碼以及重構常用的Python讓它易于轉換為圖形。

對于任何編譯器，都會擔心報錯信息的可讀性; 為此，AutoGraph創建了報錯消息和堆棧跟蹤，用來顯示原始源代碼中的錯誤源，而不僅僅是顯示對生成的代碼的參考。

可運行的例子

那么，AutoGraph可以為你做什么呢？ 以下是一些代碼示例，它可以直接轉換為圖形代碼而無需任何更改。 如果你想查看完整的代碼，我們有一個notebook，你可以在Colab或GitHub上查看。

在這里，我們使用循環和分支檢測Collatz猜想。 注意，我們使用AutoGraph的.to_graph（）函數將其轉換為圖形的原因，是為了多樣性而不是為了裝飾。

defcollatz(a):counter=0whilea!=1:ifa%2==0:a=a//2else:a=3*a+1counter=counter+1returncountergraph_mode_collatz=autograph.to_graph(collatz)#Thecodeishuman-readable,tooprint(autograph.to_code(collatz))collatz_tensor=graph_mode_collatz(tf.constant(n))

AutoGraph可以支持任意嵌套控制流，例如：

deff(n):ifn>=0:whilen

AutoGraph允許你將元素追加到循環內的數組中。 為了達到這個要求，我們使用一些AutoGraph助手，例如set_element_type和stack。

deff(n):z=[]#Weaskyoutotellustheelementdtypeofthelistautograph.set_element_type(z,tf.int32)foriinrange(n):z.append(i)#whenyou'redonewiththelist,stackit#(thisisjustlikenp.stack)returnautograph.stack(z)

我們還支持像break，continue，甚至print和assert這樣的結構。 轉換后，該片段的Python將轉換為圖形(使用恰當的tf.Assert)。

deff(x):assertx!=0,'Donotpasszero!'returnx*x

能夠輕松地添加循環，控制流程以及更多圖表意味著可以輕松地將訓練循環移動到圖形中。 這個例子可以在這個notebook中找到，我們采用RNN訓練循環并用一個sess.run（）調用執行它。 在需要將整個訓練循環傳遞給加速器而不是通過CPU控制器管理訓練的情況下，這可能是很有用的。

AutoGraph開辟了構建和訓練模型的新思路。我們期待根據開發者社區的建議為AutoGraph添加更多功能，所以請提出你的建議和問題吧！

AutoGraph和Eager Execution

在使用eager execution時，你仍然可以通過tf.contrib.eager.defun對代碼的某些部分使用圖執行。這要求你使用TensorFlow圖形操作，如tf.cond（）。 將來，AutoGraph將與defun無縫集成，以允許在簡單的eager 風格的Python中創作圖形代碼。 當該實現可用時，你可以通過選擇性地將eager代碼轉換為graph fragments來使用AutoGraph加速熱點。

結論

AutoGraph是一款工具，可讓你輕松構建直觀，復雜的模型，在TensorFlow圖中輕松運行。 這是一個現在在contrib中的實驗工具，但我們希望盡快將其轉移到核心TensorFlow中。

告訴我們您使用AutoGraph的經歷！ 如果你有反饋，建議或想法，請提交問題并向TensorFlow開發人員小組發送消息。