Eager模式每进行一步输入就可以得出一步结果，我们下面直接用代码举例子
首先我们导入库，查看此时是否是eager模式，tensorflow2.0及以上的版本，默认开启eager模式
我们之前的项目均开启了Eager模式，下面介绍一个常见的张量操作
目录
3 转换获取张量 tf.conver_to_tensor()
7.3 增大与减小变量 assign_add()与assign_sub()
1 计算获取张量
我们现在定义一个x
然后令x乘x，之后复制给m
我们显示出来看一下
我们可以看到m的类型为tf.Tensor，Tensor是张量的意思，它有两个属性，shape与dtype，与np.ndarray很类似
上面这种操作就是eager模式的体现，由于我们之前使用的都是eager模式，所以我们没有感觉到缺失eager模式的不便捷
2 直接创建张量 tf.constant()
下面我们再建立一个张量，使用tf.constant方法
3 转换获取张量 tf.conver_to_tensor()
我们使用tf.conver_to_tensor()转换一个值获取张量
4 张量与python数据类型变量计算
在eager模式中，张量是可以直接与数值进行运算的，我们在卫星图像分类中使用过
此处的result就是一个张量，他并不是一个整形数据或浮点型数据，但是它依然可以与0.5进行比较
我们在这里再举个例子，使用刚刚创建的num
我们发现张量可以直接与整形数据进行取余运算
5 张量与np.ndarray计算
我们首先创建一个np.ndarray
我们使用刚刚创建的a与其相加(a是刚刚创建的张量对象)
发现也是可以相加的
6 直接转换张量
我们举两个例子，第一个我们直接使用刚刚的计算结果e，我现在要将其转变为list
我们再使用之前的num
7 变量操作
7.1 创建变量 tf.Variable()
我们使用tf.Variable()创建变量，刚刚使用tf.constant()创建的是常量
7.2 改变变量 assign()
我们使用assign()直接改变变量v
我们发现值变为了5
7.3 增大与减小变量 assign_add()与assign_sub()
我们先增大变量
发现现在值为7
之后再减小变量
发现现在值为4
7.4 读取变量 read_value()
我们发现使用read_value()读取变量后的结果为tensor
8 记录一次计算后梯度变化过程
只能记录类型为float的变量或常量
8.1 记录变量
我们求解loss对w的微分
- w的平方对w微分为2w,w本身为1，是对的
8.2 记录常量
需要加入watch()
8.3 记录多次计算后梯度变化过程
现在我们求z对w的微分，这个就属于多次计算，我们要在GradientTape()加入参数persistent并将其置为True