5. tf.function : 圖執行模式
使用tf.function來實現圖執行模式 (TensorFlow 2 )，從而將模型轉換為易於部署且高效能的TensorFlow圖模型。

使用靜態編譯將函數內的代數轉換成計算圖，因此對函數內可使用的話句有一定限制 (只有支援Python語言的一個子集)，且需要函數內的操作本身能夠被建構為計算圖。

!! 不是任何函數都可以被@tf.function修飾

get_concrete_function : 能夠直接獲得tf.function所產生的計算圖以進行進一步處理和應用

6. tf.TensorArray : TensorFlow動態陣列
將一系列張量以陣列的方式依序存放起來，以便進一步處理。

arr = tf.TensorArray(dtype, size, dynamic_size=False) :
宣告一個大小為size，類型為dtype的 TensorArray arr。

其讀取和寫入的方法如下:
write(index, value) : 將value寫入陣列的第index個位置

read(index) : 讀取陣列的第index個值

7. tf.config : GPU的使用與分配
tf.config.list_physical_devices : 可以獲得當前主機上某種特定計算設備類型(GPU、CPU)。

tf.config.experimential.set_memory_growth : 可以透過這方法將GPU的顯示卡記憶體儲存使用原則設為「僅在需要時申請顯示卡記憶體儲存空間」。

tf.config.LogicalDeviceConfiguration : 設置TensorFlow固定消耗GPU:0 的1GB顯示卡內存空間。