tensorflow 2.x 中 tf.function 实现动态计算图：通过 python 函数+装饰器自动追踪编译，依赖输入 signature 和 tf.shape 等符号化操作保持动态性，避免 .numpy() 等退出图模式的操作。
TensorFlow 2.x 默认启用 Eager Execution，tf.function 是定义“复杂动态计算图”的实际入口——不是靠手动构建 tf.Graph，而是用 Python 函数 + 装饰器让 TensorFlow 自动追踪并编译为图。动态 ≠ 每次都重构建图，而是图结构能随输入 shape、dtype 或控制流条件变化而适配。
为什么不能直接写 for 循环或 if 判断？
在 tf.function 内部，纯 Python 的 for 和 if 会被静态展开或转为图内控制流操作，但前提是它们的判断依据必须是 tf.Tensor（如 tf.cond）或可被追踪的 Python 常量。若混用普通 Python 变量做分支，会导致追踪失败或图固化错误。
- 错误示例：
if x.numpy() > 0:——.numpy()强制退出图模式，破坏追踪 - 正确做法：用
tf.cond(tf.greater(x, 0), lambda: ..., lambda: ...)或直接写if tf.greater(x, 0):（TF 2.10+ 支持自动转换） - 循环同理：
for i in range(n):中n必须是 Python int（静态），否则要用tf.while_loop或tf.range+tf.map_fn
如何让图结构真正“动态”？
关键在输入签名（input_signature）和函数内部对张量属性的依赖。不设 input_signature 时，tf.function 会为每组新 shape/dtype 组合缓存一个子图；设了则强制统一，失去部分动态性。
- 需要多 shape 支持？别设
input_signature，让 TF 自动 specialize —— 但注意缓存爆炸风险 - 需要严格限定输入？用
tf.TensorSpec(shape=[None, 128], dtype=tf.float32)明确声明 batch 维可变 - 想根据
tensor.shape[0]做不同处理？确保该维度在图中是 symbolic（即未调用.numpy()或.shape获取具体值），改用tf.shape(tensor)[0]
常见陷阱：变量捕获与状态泄漏
tf.function 会把闭包中引用的 tf.Variable 自动纳入图，但普通 Python 对象（如 list、dict）不会被追踪——它们在第一次调用时快照，后续修改无效。
- 错误：用
log = []在函数内log.append(loss)→ 每次都追加到同一个空列表，但图里只看到初始状态 - 正确：用
tf.Variable存状态，或把日志逻辑移出tf.function，仅在 eager 下执行 - 更隐蔽的问题：嵌套
tf.function中捕获外层变量，可能触发意外重追踪 —— 用@tf.function(autograph=False)关闭 AutoGraph 可定位问题
真正复杂的动态图，往往卡在“以为自己在图里，其实某处跳出了图”。最稳的调试方式是加 print(tf.executing_eagerly()) 和 tf.debugging.enable_check_numerics()，再用 func.get_concrete_function(...).graph.as_graph_def() 看生成的图节点是否符合预期。
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！
