在tensorflow 2中，什么会成为图表的一部分，什么不会？

Question

在代码中：

@tf.function
def f(x):
    print("Python execution: ", x)
    out = x+5.
    tf.print("Graph execution: ", x)
    return out

python print仅在函数的第一次调用期间执行，即在图形创建期间执行。out=x+5.成为图表的一部分，因此每次图表运行时都会执行。我想知道当我用普通的python编写一个函数并用tf.function修饰它来绘制图形时，什么都能转换成图形(比如out = x+5)，什么不能(比如python打印)。

Answer 1

为了社区的利益，详细阐述了jdehesa的评论。

在tf.function的官方文档中，提到了：

Python关键点：任何

副作用(追加到列表、使用打印打印等)都只会在跟踪时发生一次。要将副作用执行到您的tf.function中，需要将它们编写为TF ops：

将这个解释应用到您的示例中，操作、out = x+5和tf.print将存储在Graph中，而操作print不会。

总是建议将Tensors作为参数传递给函数，而不是Python Scalars，这样所有操作都将被捕获到单个图中。

tf.function只允许在第一次调用时创建新的tf.Variable对象。

通常，建议在tf.function外部创建像tf.Variable这样的有状态对象，并将它们作为参数传递。

如果我们使用Python运算符，a = b将不会是Assignment的一部分，而tf.assign将是。Python Print不会是图表的一部分，但tf.Print会是。

此外，如果我们想让Python Code也成为Graph的一部分，我们可以在函数中使用tf.py_function，但不推荐这样做。

希望这能有所帮助。祝您学习愉快！

Answer 2

正如前面的回答所解释的，tf.function只转换tf.调用(操作)。

要理解其中的原因，您应该考虑在python程序中编写tf.print("msg")意味着什么。上面写着：

1. Define是一个Tensorflow操作(简称op)，它做了一些事情。(在本例中，它打印为副作用，但实际结果不是important)
2. Run.发生这种情况是因为在TF2中默认启用了紧急执行。

从本质上讲，当您使用tf.function进行装饰时，您定义的所有操作都会被收集起来，并在以后重用。所以，没有定义Tensorflow操作的指令不能被Tensorflow记录。在您的示例中，+符号确实隐式定义了一个op，因为tf.function将x转换为张量，然后将其传递给f(x)。

要回答最近的疑虑：

1. 是，numpy数组和其他本机类型被视为张量，因为TF操作和函数( @tf.function修饰的定义)首先在其输入上调用tf.convert_to_tensor。
2. 否，a=b不会被记录，因为它只是将张量的引用从一个变量复制到另一个变量。赋值不会转换张量。