# Eager Execution (즉시 실행 모드) 모드(Eager Execution)**는 딥러닝 프레임워크에서 연산 명령이 호출되는 즉시 해당 연산이 실행되어 결과를 반환하는 실행 방식을 의미합니다. 이는 전통적인 딥러닝 프레임워크가 채택했던 **그래프 기반 실행(Graph-based Execution)** 또는 **지연 실행(Lazy Execution)** 방식과 대조되는 개념입니다.

과거의 TensorFlow 1.x 버전에서는 연산 그래프를 먼저 정의하고 이를 `Session` 내에서 실행하는 방식이었으나, PyTorch의 성공과 사용자 편의성 요구에 따라 TensorFlow 2.0부터는 Eager Execution이 기본 실행 모드로 채택되었습니다.

---

## 작동 원리 및 특징

### 1. 즉시 연산 수행
Eager Execution 모드에서는 파이썬(Python) 코드의 일반적인 동작 방식과 동일하게 작동합니다. 특정 연산 함수를 호출하면, 프레임워크는 내부적으로 즉시 해당 연산을 수행하고 결과를 텐서(Tensor) 형태로 반환합니다.

*   **전통적 방식:** `연산 정의` $\rightarrow$ `그래프 빌드` $\rightarrow$ `세션 실행` $\rightarrow$ `결과 확인`
*   **즉시 실행 방식:** `연산 호출` $\rightarrow$ `결과 확인`

### 2. 동적 그래프 생성 (Dynamic Computational Graph)
Eager Execution은 **Define-by-Run** 방식을 따릅니다. 이는 모델의 구조가 고정되어 있지 않고, 코드가 실행되는 시점에 그래프가 동적으로 생성됨을 의미합니다. 이를 통해 입력 데이터의 크기나 형태에 따라 네트워크 구조를 유연하게 변경할 수 있습니다.

---

## Eager Execution vs Graph Execution

두 실행 모드의 주요 차이점은 다음과 같습니다.

| 비교 항목 | Eager Execution (즉시 실행) | Graph Execution (그래프 실행) |
| :--- | :--- | :--- |
| **실행 시점** | 명령 호출 즉시 실행 | 그래프 정의 후 세션에서 실행 |
| **디버깅** | 매우 쉬움 (Python 디버거 사용 가능) | 어려움 (그래프 내부 추적 필요) |
| **유연성** | 높음 (조건문, 반복문 자유롭게 사용) | 낮음 (특수 연산자 사용 필요) |
| **최적화** | 상대적으로 낮음 | 높음 (전체 그래프 최적화 가능) |
| **배포 효율** | 낮음 (Python 런타임 의존적) | 높음 (독립적인 그래프 파일 배포 가능) |

---

## 주요 장점과 단점

### 장점
1.  **직관적인 디버깅:** `print()` 문이나 `pdb`와 같은 표준 파이썬 디버깅 도구를 사용하여 텐서의 값과 형태를 실시간으로 확인할 수 있습니다.
2.  **빠른 프로토타이핑:** 아이디어를 즉시 코드로 구현하고 결과를 확인할 수 있어 연구 및 개발 속도가 비약적으로 향상됩니다.
3.  **파이썬 제어 흐름 활용:** `if` 문이나 `for` 루프와 같은 파이썬 기본 제어문을 사용하여 모델의 로직을 쉽게 구현할 수 있습니다.

### 단점
1.  **성능 오버헤드:** 매 연산마다 파이썬 인터프리터를 거쳐야 하므로, 대규모 연산 시 그래프 모드보다 실행 속도가 느릴 수 있습니다.
2.  **최적화 제한:** 전체 연산 흐름을 미리 알 수 없기 때문에, 컴파일러 수준의 연산 융합(Operator Fusion)이나 메모리 최적화가 어렵습니다.
3.  **이식성 문제:** 모델을 저장하고 다른 환경(C++, 모바일 등)으로 배포할 때 파이썬 런타임 없이 실행하기 위한 추가적인 변환 과정이 필요합니다.

---

## 실무적 활용: 하이브리드 접근법

현대적인 딥러닝 프레임워크(특히 TensorFlow 2.x)는 두 모드의 장점을 모두 취하기 위해 **하이브리드 방식**을 제공합니다. 개발 단계에서는 Eager Execution으로 빠르게 실험하고, 실제 서비스 배포 단계에서는 특정 함수를 그래프로 변환하여 성능을 최적화하는 방식입니다.

### TensorFlow의 `@tf.function`
TensorFlow에서는 `@tf.function` 데코레이터를 사용하여 파이썬 함수를 **AutoGraph**를 통해 그래프 모드로 변환할 수 있습니다.

```python
import tensorflow as tf

# Eager Execution 모드에서 동작하는 일반 함수
def simple_add(a, b):
    return a + b

# @tf.function을 사용하여 그래프 모드로 변환 (최적화 적용)
@tf.function
def optimized_add(a, b):
    return a + b

# 실행 시 내부적으로 그래프가 생성되어 성능이 향상됨
result = optimized_add(tf.constant(1), tf.constant(2))
```

---

## 관련 문서
*   [Computational Graph (계산 그래프)](https://ko.wikipedia.org/wiki/계산_그래프)
*   [TensorFlow (텐서플로우)](https://ko.wikipedia.org/wiki/TensorFlow)
*   [PyTorch (파이토치)](https://ko.wikipedia.org/wiki/PyTorch)
*   [Automatic Differentiation (자동 미분)](https://ko.wikipedia.org/wiki/자동_미분)