1. 关于tf.function

tf.function的官方含义是“Creates a callable TensorFlow graph from a Python function.”也就是说，tf.function可以从 Python 函数创建可调用的 TensorFlow 图。这意味着什么呢？通俗点来说，我们可以自己编写python函数，然后利用tf.function进行函数转化，形成TensorFlow图结构，对函数进行加速。说白了，tf.function可以优化并加速我们自己编写的python函数。

2. tf.function 的实现

我们以一个激活函数“elu”为例，来看看经过tf.function的优化有什么变化：

# tf.function and auto-graph.
def scaled_elu(z, scale=1.0, alpha=1.0):
    # z >= 0 ? scale * z : scale * alpha * tf.nn.elu(z)
    is_positive = tf.greater_equal(z, 0.0)
    return scale * tf.where(is_positive, z, alpha * tf.nn.elu(z))

print(scaled_elu(tf.constant(-3.)))
print(scaled_elu(tf.constant([-3., -2.5])))
"""
# 经过tf.function优化之后在输出结果
"""
scaled_elu_tf = tf.function(scaled_elu)
print(scaled_elu_tf(tf.constant(-3.)))
print(scaled_elu_tf(tf.constant([-3., -2.5])))
"""
# 将优化之后的scaled_elu_tf 再次转化为python下的函数，比较二者是否一致
"""
print(scaled_elu_tf.python_function is scaled_elu)

输出结果为：

这里我们发现，经过tf.function之后的函数功能上是没有任何变化的，然后我们对比一下二者的运行时间：

%timeit scaled_elu(tf.random.normal((1000, 1000)))
%timeit scaled_elu_tf(tf.random.normal((1000, 1000)))

输出结果为：

从这里可以看出，经过tf.funcion()优化之后的函数，具有更快的运行速度。

3. 关于@tf.function

tf.function除了第二节的的实现方式之外呢，我们还可以这么做：

@tf.function
def scaled_elu(z, scale=1.0, alpha=1.0):
    # z >= 0 ? scale * z : scale * alpha * tf.nn.elu(z)
    is_positive = tf.greater_equal(z, 0.0)
    return scale * tf.where(is_positive, z, alpha * tf.nn.elu(z))

二者是等价的。