@tf.function未提速甚至变慢是因为频繁重追踪：输入非张量、形状/类型易变、含Python原生操作或不可图化控制流，导致反复构建图而非复用。
tf.function 为什么没提速，甚至变慢了？
直接加 @tf.function 不等于自动加速——它只对「适合图执行」的逻辑有效。如果函数里频繁调用 Python 原生操作（比如 print()、len()、列表推导）、或输入张量形状/类型频繁变化，TF 会反复重新追踪（tracing），反而比 eager 模式更慢。
常见错误现象：WARNING:tensorflow:AutoGraph could not transform... 或日志里出现多次 Tracing forward pass for input shapes...，说明每次调用都在重建图。
- 确保输入是
tf.Tensor（而非numpy.ndarray或 Python list），且 shape/dtype 尽量稳定 - 把纯 Python 控制流（如
if x > 0:）换成tf.cond()或让 AutoGraph 能识别的模式（如用tf.shape(x)[0]替代len(x)） - 避免在
@tf.function内修改外部 Python 变量（闭包变量被捕捉后不可变）
怎么控制 tracing 行为：input_signature 和 autograph
input_signature 是显式声明输入规格的最可靠方式，能强制复用图、避免重复 tracing；而 autograph=True/False 决定是否把 Python 控制流转成 TF 算子——默认开启，但某些复杂逻辑（如嵌套 try/except）可能失败。
使用场景：模型前向推理、数据预处理 pipeline、自定义训练 step。
- 用
input_signature=[tf.TensorSpec(shape=(None, 28, 28, 1), dtype=tf.float32)]明确指定 batch 维可变，其他维固定 - 若关闭 autograph（
@tf.function(autograph=False)），所有控制流必须手动写成tf.cond/tf.while_loop - 调试时加
experimental_relax_shapes=True允许 shape 小范围变化（如 batch size 变动），但会牺牲部分优化机会
哪些代码不能放 tf.function 里？
文件 IO、网络请求、全局计数器、matplotlib.pyplot 绘图、依赖随机 seed 的非确定性操作——这些无法序列化进图，运行时会报错或行为异常。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
典型错误信息：OperatorNotAllowedInGraphError: using a `tf.Tensor` as a Python `bool`（未启用 autograph 时 if 判断张量）或 AttributeError: 'Tensor' object has no attribute 'append'（误用 Python 列表方法）。
- 日志打印改用
tf.print()（注意：它不阻塞，且输出位置可能和 eager 不同） - 随机数生成必须用
tf.random.stateless_*()并传入 seed，避免tf.random.uniform()这类有隐式状态的操作 - 需要动态 Python 逻辑（如按路径读不同文件）应放在
@tf.function外，只把纯张量计算部分包进去
验证是否真编译成功：get_concrete_function 和图结构检查
加了装饰器不等于图已构建；TF 是 lazy tracing——第一次调用才生成 concrete function。想确认是否复用，得看 concrete function 数量和输入签名匹配度。
实操建议：
- 调用
func.get_concrete_function(input_spec)预编译，再用concrete_func.graph.as_graph_def()查看底层算子 - 用
func.experimental_get_tracing_count()检查 tracing 次数，理想情况是 1（shape/dtype 不变时） - 对比 eager 和 graph 模式耗时：用
%timeit -n 100在 notebook 测，别只看单次time.time()
容易被忽略的是：GPU 上图执行优势明显，但小模型或 CPU 环境下，图启动开销可能抵消计算收益——别盲目套用，先 profile。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
