TensorFlow Eager教程 (一)：安装
新开TensorFlow专栏，开始TensorFlow Eager之旅
2017年11月，TensorFlow团队发布了Eager Execution，为TensorFlow引入了迟到的动态图机制。
2017年12月13日-14日，我有幸参加了在上海举行的Google开发者大会。
图为大会入口
在大会上，TensoFlow团队也绍了才发布不久的Eager Execution，并进行了比较。
（图均为本人拍摄）
大会后在公司做了一次分享，主要是介绍Eager，跑了对比的demo，以下为PPT截图。
下面开始为学习Eager准备环境
使用的Python版本为Python3.6
TensorFlow 为1.9.0rc0 CPU版本，后续的教程都不需要使用GPU
pip3 install tensorflow==1.9.0rc0
Eager 需要单独安装，使用命令安装
pip3 install tf-nightly
安装完成之后，测试是否成功
导入包不报错即为安装成功
Eager模块地址：
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/eager
官方文档：
https://www.tensorflow.org/programmers_guide/eager
官方说明：
https://ai.googleblog.com/2017/10/eager-execution-imperative-define-by.html
在官方说明中，有一个小的例子来阐明Eager的使用方法
import tensorflow as tfimport tensorflow.contrib.eager as tfetfe.enable_eager_execution()x = [[2.]]m = tf.matmul(x, x) 效果：
由例子可以看出，我们需要导入eager包之后在程序开头启用eager_execution
tfe.enable_eager_execution()
到这里，整个TensorFlow Eager的实验环境准备好了。
下面说一下整个教程的计划。
整个教程分为十个部分，此篇为第一部分，完整的列表为：
一.安装
二.构建简单的神经网络
三.在Eager模式中 使用度量
四.保存和恢复训练好的模型
五.将文本数据传输到 TFRecords
六.将图像数据传输到 TFRecords
七.如何批量读取 TFRecords 数据
八.构建一个用于情绪识别的 CNN 模型
九.构建一个序列分类的动态 RNN模型
十.构建一个时序回归 RNN模型
以上教程主要参考了madalinabuzau的项目，地址为: