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。