1. Eager 実行（デフォルト）
概要
-
即時実行モード。Python の命令をそのまま実行し、
その場で結果（tf.Tensorオブジェクト）を返します。 - デバッグや開発がしやすく、NumPy ライクな感覚で手軽に試せます。
特徴
- 各演算は呼び出し順にすぐ実行される
-
.numpy()を使って簡単に NumPy 配列に変換可能 - Python の標準デバッガ（
print、pdb）が有効
コード例
import tensorflow as tf
# Eager 実行では即座に結果が返る
a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[5.0, 6.0], [7.0, 8.0]])
c = a + b
print("c =", c) # tf.Tensor([...], shape=(2,2), dtype=float32)
print("NumPy array:", c.numpy())
2. グラフ実行（Graph Execution）
概要
-
計算グラフ（
tf.Graph）を事前に組み立て、そのグラフをまとめて実行する方式。 - TensorFlow 1.x の標準モードで、TensorFlow 2.x でも
@tf.functionを付けることで擬似的に利用できます。
特徴
- 実行前にグラフを最適化（定数折り畳み、融合など）
- GPU／TPU などハードウェアへの最適化が強力
- 大規模モデルや本番環境でのスループット向上に有利
コード例
import tensorflow as tf
@tf.function # このデコレータで関数内の演算が「グラフ」として構築される
def my_matmul(x, y):
# ここはグラフ化され、最適化・再利用される
return tf.matmul(x, y)
# 関数を呼び出すと、初回はグラフ構築 → 実行、
# 2 回目以降はキャッシュされたグラフを即実行
x = tf.random.uniform([2, 3])
y = tf.random.uniform([3, 4])
z1 = my_matmul(x, y) # グラフをビルドして実行
z2 = my_matmul(x, y) # キャッシュ済みグラフを実行（高速）
-
my_matmul.get_concrete_function(x, y)を呼ぶと、入力シェイプ・型に合わせたグラフが具体化（Concrete Function）されます。
3. 両モードの使い分け
| 特徴 | Eager 実行 | グラフ実行 (tf.function) |
|---|---|---|
| 開発・デバッグ | ◎（直感的、デバッギング容易） | △（中間グラフが見えにくい） |
| パフォーマンス | ◯（小規模実験向き） | ◎（大規模・本番環境向き） |
| 最適化 | なし | 定数折り畳み、演算融合など自動 |
| ハードウェア対応 | 普通 | GPU/TPU 最適化 |
-
開発段階 ではまず Eager 実行で動作確認し、安定したら
@tf.functionを付けてグラフ実行に切り替えてパフォーマンスを上げる、という流れが一般的です。
4. まとめ
- Eager 実行：即時実行。Python ライクに動かせてデバッグしやすい。
- グラフ実行：計算グラフを最適化／キャッシュしてまとめて実行。大規模学習や本番向き。
-
実践的流れ：
- 最初は Eager で試し、
- コアとなるトレーニングループや推論関数に
@tf.functionを付けてグラフ化すると、性能向上が得られる。
まずは Eager モードで手を動かし、慣れてきたら tf.function でグラフ実行を試してみましょう。