有三种计算图的构建方式：静态计算图，动态计算图，以及Autograph。
TensorFlow 2.0主要使用的是动态计算图和Autograph。
动态计算图易于调试，编码效率较高，但执行效率偏低。
静态计算图执行效率很高，但较难调试。
而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。
当然Autograph机制能够转换的代码并不是没有任何约束的，有一些编码规范需要遵循，否则可能会转换失败或者不符合预期。
我们将着重介绍Autograph的编码规范和Autograph转换成静态图的原理。
并介绍使用tf.Module来更好地构建Autograph。
本篇我们介绍使用Autograph的编码规范。
一，Autograph编码规范总结
-
1，被@tf.function修饰的函数应尽可能使用TensorFlow中的函数而不是Python中的其他函数。例如使用tf.print而不是print，使用tf.range而不是range，使用tf.constant(True)而不是True.
-
2，避免在@tf.function修饰的函数内部定义tf.Variable.
二，Autograph编码规范解析
1，被@tf.function修饰的函数应尽量使用TensorFlow中的函数而不是Python中的其他函数。
@H_403_40@import numpy as np tensorflow as tf @tf.function def np_random(): a = np.random.randn(3,3) tf.print(a) @tf.function tf_random(): a = tf.random.normal((3,1)">)) tf.print(a)
