TensorFlow r1.8 eager模式是否支持tf.profiler及RunMetadata传入方法问询

针对你提到的问题，先给一个明确的结论：TensorFlow r1.8的Eager模式对tf.profiler的支持非常有限，原生的基于tf.RunMetadata()的profiling流程几乎无法正常工作。

原因其实和你观察到的一致：tf.profiler在r1.8版本的设计严重依赖Graph和Session机制，而Eager模式是即时执行，没有Session对象，也不会预先构建计算图，所以profiler构造函数会检测到Eager环境并限制功能，缺少RunMetadata更是直接阻断了核心的 profiling 数据捕获流程。

不过也不是完全没有办法，这里给你两个可行的替代方案：

方案1：临时切换到Graph模式完成profiling #

如果你的代码可以兼容Graph模式，可以在需要分析的代码块前后手动切换执行模式，利用Graph模式下完整的profiler功能：

import tensorflow as tf
tf.enable_eager_execution()

# 你的Eager模式业务代码...

# 切换到Graph模式执行profiling
tf.disable_eager_execution()
with tf.Session() as sess:
    run_metadata = tf.RunMetadata()
    # 配置profiler选项，比如统计浮点运算量
    profiler_opts = tf.profiler.ProfileOptionBuilder.float_operation()
    
    # 构建你的计算图并运行（这里需要把Eager代码转成Graph模式的写法）
    result = sess.run(your_computation_op, run_metadata=run_metadata)
    
    # 执行profiling并输出报告
    tf.profiler.profile(
        tf.get_default_graph(),
        run_meta=run_metadata,
        cmd='op',
        options=profiler_opts
    )

# 切回Eager模式继续后续代码
tf.enable_eager_execution()

这个方法虽然需要额外调整代码，但胜在能利用tf.profiler的完整功能，适合需要深度分析的场景。

方案2：使用tf.contrib.eager的轻量性能统计工具 #

r1.8的tf.contrib.eager模块提供了一套简易的性能统计工具，不需要依赖RunMetadata，可以直接在Eager模式下运行：

import tensorflow as tf
from tensorflow.contrib.eager.python import profiler

tf.enable_eager_execution()

# 开始记录性能数据
profiler.start()

# 执行你要分析的Eager模式代码
your_eager_training_loop()

# 停止记录并生成统计报告
stats = profiler.stop()
print(stats)

这个工具的输出比较基础，主要是函数调用耗时等信息，没有tf.profiler那么详细的算子内存占用、运算量统计，但胜在无需切换模式，使用简单。

另外补充一句：如果你的项目允许升级TensorFlow版本，建议考虑升级到1.10及以上——从1.10开始，Eager模式对tf.profiler的支持有了大幅改进，后续版本还推出了tf.profiler.experimental系列API，完全适配Eager模式的即时执行特性，使用起来会顺畅很多。

内容的提问来源于stack exchange，提问作者Steven D