TensorFlow 1.x 需禁用急切执行并传入完整图：tf.compat.v1.disable_eager_execution()后定义占位符、变量等节点，再用tf.summary.FileWriter("./logs", graph=tf.get_default_graph()).close()导出；否则TensorBoard显示“No graph definition”。
TensorFlow 1.x 怎么用 tf.summary.FileWriter 导出图结构
TensorFlow 1.x 默认支持图可视化，但必须显式构造图并写入 events 文件。关键不是“有没有图”，而是“图有没有被完整构建并传给 FileWriter”。
常见错误：在 eager mode 下（哪怕没显式开启，某些环境默认启用）调用 FileWriter，结果生成空事件文件，TensorBoard 打开后显示“No graph definition”。
- 确保禁用 eager execution：
tf.compat.v1.disable_eager_execution()必须在所有tf.*操作前调用 - 图定义要完整：变量、占位符、运算节点都需在
tf.Graph().as_default()或全局默认图中创建 -
FileWriter的logdir路径不能是相对路径或已存在的非空目录（旧日志会干扰加载） - 写入后必须调用
.close()，否则 TensorBoard 可能读不到最新图
最小可运行示例：
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
x = tf.placeholder(tf.float32, [None, 784], name="input")
W = tf.Variable(tf.zeros([784, 10]), name="weights")
y = tf.matmul(x, W, name="output")
writer = tf.summary.FileWriter("./logs", graph=tf.get_default_graph())
writer.close()
TensorFlow 2.x 怎么导出计算图——别再找 FileWriter
TF 2.x 默认启用 eager execution，tf.summary.FileWriter 不再写图；真正能导出图结构的方式只剩两种：一是用 tf.function 装饰函数后调用 .graph 属性，二是通过 SavedModel 导出后再解析。
注意：model.summary() 只打印层结构，不是计算图；tf.keras.utils.plot_model 画的是网络拓扑，不含控制流、梯度节点等真实图元素。
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
- 用
@tf.function包裹前向逻辑后，可通过func.get_concrete_function(...).graph.as_graph_def()获取原始GraphDef - 导出为 SavedModel：
tf.saved_model.save(model, "saved_model_dir")，然后用saved_model_cli show --dir saved_model_dir --all查看图结构（含 signature 和节点名） - 若需可视化，推荐将 SavedModel 转成
events文件：tensorboard --logdir=saved_model_dir --bind_all会自动尝试加载图（部分版本需配合--load_fast=false）
为什么 TensorBoard 显示 “No graph definition”
这不是 TensorBoard 的问题，而是图数据根本没写进去。核心原因就三个：
- TF 2.x 环境下没用
@tf.function，所有操作都在 eager 模式执行，无图可导出 - TF 1.x 中
FileWriter初始化时未传入graph=...参数，或传入了空图（如graph=None） - 路径权限问题：Linux/macOS 下
./logs目录若由 root 创建，普通用户写入失败，但FileWriter不报错，只静默失败
验证方法：进 ./logs 目录，用 ls -l 看是否有 events.out.tfevents.* 文件；再用 tensorboard --logdir=./logs --inspect 查是否识别到 graph。
用 Python 解析 GraphDef 并提取关键节点
不依赖 TensorBoard，也能直接读取图结构做分析。SavedModel 或 .pb 文件本质是 Protocol Buffer 序列化的 GraphDef，可用 tf.GraphDef + google.protobuf 加载。
- 从
.pb文件读取：graph_def.ParseFromString(open("frozen_model.pb", "rb").read()) - 遍历节点：
for node in graph_def.node:，关注node.op（如"MatMul"、"Conv2D"）、node.name、node.input - 过滤掉系统节点（如
"_arg"、"_retval"、"init"）才能看到真实计算链路 - 注意：
frozen_model.pb是冻结图，变量已转为常量；saved_model.pb是未冻结的，含变量初始化子图
小技巧：用 node.name.split("/")[0] 提取作用域名，比单纯看 node.name 更容易定位模块。
TensorFlow 图可视化的难点不在工具链，而在于明确当前运行模式（eager / graph）和导出目标（调试用？部署用？分析用？）。漏掉 disable_eager_execution() 或误以为 model.summary() 就是图，是最常卡住人的两个点。
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！
