我有几个文件有不同的文件：
- main.py
- watch.py
- read.py
- detect.py <-- 使用基于张量流的库 依赖于图形模式的
darkflow - translate.py <-- 使用 tf 急切的执行力
在 darkflow 的 TFNet 初始化期间，我收到此错误：
Traceback (most recent call last):
File "/home/justin/Projects/comp3931/main.py", line 6, in <module>
watcher = Watcher('res/vid/planet_earth_s01e01/video.mp4', 'res/vid/planet_earth_s01e01/english.srt')
File "/home/justin/Projects/comp3931/watch.py", line 9, in __init__
self.detector = Detector()
File "/home/justin/Projects/comp3931/detect.py", line 6, in __init__
self.tfnet = TFNet(self.options)
File "/usr/local/lib64/python3.6/site-packages/darkflow/net/build.py", line 75, in __init__
self.build_forward()
File "/usr/local/lib64/python3.6/site-packages/darkflow/net/build.py", line 105, in build_forward
self.inp = tf.placeholder(tf.float32, inp_size, 'input')
File "/usr/local/lib/python3.6/site-packages/tensorflow/python/ops/array_ops.py", line 1677, in placeholder
raise RuntimeError("tf.placeholder() is not compatible with "
RuntimeError: tf.placeholder() is not compatible with eager execution.
因此，我假设当我从文件中实例化Translator类时translate.py它会调用整个程序的预先执行，然后这与从detect.py调用Dectector类中使用的 darkflowTFNet类不兼容
如果我独立于其他人运行translate.py它工作正常，如果在不涉及translate.py的情况下运行它们，其他模块也可以正常工作。
我想他们使用不同的上下文(图形/渴望)的事实，整个事情不能在同一个程序中一起运行。我尝试查看文档，但找不到在需要时切换回图形模式的方法。
有什么方法可以在不同位置的同一应用程序中同时运行渴望模式和图形模式？
最好编写与图形模式和预先执行兼容的代码。从文档中：
- 使用 tf.data 进行输入处理，而不是队列。它更快、更容易。
- 使用面向对象的层 API(如 tf.keras.layers 和 tf.keras.Model)，因为它们具有显式的变量存储。
- 大多数模型代码在 eager 和 graph 执行期间的工作方式相同，但也有例外。(例如，使用 Python 的动态模型 控制流以根据输入更改计算。
- 使用 tf.enable_eager_execution 启用预先执行后，无法将其关闭。 启动新的 Python 会话以返回到图形 执行。
也就是说，可以在图形模式下使用tfe.py_func()来使用预先执行。这是文档中的代码示例(我刚刚添加了导入和断言)：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
def my_py_func(x):
assert tf.executing_eagerly()
x = tf.matmul(x, x) # You can use tf ops
print(x) # but it's eager!
return x
assert not tf.executing_eagerly()
with tf.Session() as sess:
x = tf.placeholder(dtype=tf.float32)
# Call eager function in graph!
pf = tfe.py_func(my_py_func, [x], tf.float32)
sess.run(pf, feed_dict={x: [[2.0]]}) # [[4.0]]
反之亦然，正如亚历克斯·帕索斯(Alex Passos)在本视频中解释的那样。下面是一个受视频中的示例启发的示例：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
tf.enable_eager_execution()
def my_graph_func(x):
assert not tf.executing_eagerly()
w = tfe.Variable(2.0)
b = tfe.Variable(4.0)
return x * w + b
assert tf.executing_eagerly()
g = tfe.make_template("g", my_graph_func, create_graph_function_=True)
print(g(3))
还有一种非官方的方法来切换模式，使用tensorflow.python.eager.context中定义的eager_mode和graph_mode上下文，如下所示：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
from tensorflow.python.eager.context import eager_mode, graph_mode
with eager_mode():
print("Eager mode")
assert tf.executing_eagerly()
x1 = tfe.Variable(5.0)
print(x1.numpy())
print()
with graph_mode():
print("Graph mode")
assert not tf.executing_eagerly()
x2 = tfe.Variable(5.0)
with tf.Session():
x2.initializer.run()
print(x2.eval())
由于它不是官方的，你可能应该在生产代码中避免它，但它可能会在调试时或在 Jupyter 笔记本中派上用场。最后一个选项是使用此switch_to()函数：
import tensorflow as tf
import tensorflow.contrib.eager as tfe
from tensorflow.python.eager.context import context, EAGER_MODE, GRAPH_MODE
def switch_to(mode):
ctx = context()._eager_context
ctx.mode = mode
ctx.is_eager = mode == EAGER_MODE
switch_to(EAGER_MODE)
assert tf.executing_eagerly()
v = tfe.Variable(3.0)
print(v.numpy())
assert tf.get_default_graph().get_operations() == []
switch_to(GRAPH_MODE)
assert not tf.executing_eagerly()
v = tfe.Variable(3.0)
init = tf.global_variables_initializer()
assert len(tf.get_default_graph().get_operations()) > 0
with tf.Session():
init.run()
print(v.eval())
这确实是一个黑客，但如果你不喜欢将所有代码嵌套在with块中，它可能在 Jupyter 笔记本中很有用。
https://www.tensorflow.org/programmers_guide/eager (向下滚动到"在图形环境中使用预先执行")。
也许这会有所帮助...