tensorflow 2.x 默认启用 eager execution，tf.tensor 可直接调用 .numpy()、.shape 等属性，无需 sess.run()；验证用 tf.executing_eagerly()；@tf.function 内 print 和断点仅在追踪时生效，调试应移出或用 tf.print()；gradienttape 需显式包裹前向计算；dataset 迭代调试宜用 take(1).as_numpy_iterator()。
TensorFlow 2.x 默认就是 Eager Execution，不用额外开启
很多人从 PyTorch 切过来第一反应是“怎么让 TensorFlow 像 print(tensor.shape) 那样直接看值”，其实 TF 2.x 默认已启用 Eager 模式——tf.Tensor 对象可以直接调用 .numpy()、.shape、.dtype，不需要 sess.run() 或构建图。这点和 PyTorch 的行为一致，但容易被旧教程误导而手动加 tf.compat.v1.enable_eager_execution()，反而可能触发警告或冲突。
验证是否启用：tf.executing_eagerly() 返回 True 即可。如果返回 False，说明你意外进入了 TF 1.x 兼容模式（比如导入了 tf.compat.v1 后没重置），此时应检查是否全局调用了 tf.disable_v2_behavior() 或混用了 v1/v2 API。
调试时别在 @tf.function 里 print 或断点
@tf.function 会把 Python 函数编译成静态图，所有 print() 只在追踪（tracing）阶段执行一次，运行时不会重复打印；breakpoint() 或 import pdb; pdb.set_trace() 也只在第一次追踪时生效，后续调用直接跳过。这和 PyTorch 的即时执行完全不同，容易误判变量值。
- 临时调试：把想 inspect 的代码段移出
@tf.function，或用tf.print()替代print()（它能在图模式下输出） - 需要逐行看值：用
tf.debugging.enable_check_numerics()捕获 NaN/Inf，或在函数开头加tf.py_function(lambda x: print("debug:", x.shape), [tensor], [])（注意性能开销） - 想保留
@tf.function性能又方便调试：先确保逻辑正确再加装饰器，开发期可暂时去掉，上线前补上
tf.GradientTape 的作用域必须包裹前向计算
PyTorch 的 autograd 是隐式跟踪，TensorFlow 的 tf.GradientTape 是显式上下文管理器，漏掉 with tf.GradientTape() as tape: 或把变量创建放在 tape 外，都会导致 tape.gradient() 返回 None。常见错误包括：
- 模型参数在
with块外定义（如w = tf.Variable(...)写在 tape 上面） - 输入数据没标记为可训练（
tf.GradientTape(watch_accessed_variables=False)时，需手动tape.watch(x)） - 对中间张量求导但没设置
persistent=True（默认 tape 只能调用一次gradient()）
示例：正确写法是
with tf.GradientTape() as tape:<br> y = model(x)<br> loss = loss_fn(y, y_true)<br>grads = tape.gradient(loss, model.trainable_variables)
自定义训练循环中，tf.data.Dataset 迭代器不能直接 print
PyTorch 的 DataLoader 返回的是 Python list/tuple，可直接 print(batch[0].shape)；TF 的 tf.data.Dataset 迭代器返回的是 tf.Tensor，但若在 @tf.function 外使用 next(iter(dataset)) 看样本没问题，一旦进图模式就会报错 OperatorNotAllowedInGraphError。
安全做法：
- 调试数据 pipeline：用
dataset.take(1).as_numpy_iterator()转成 NumPy，再 print - 检查 batch 结构：
for batch in dataset.take(1): print(type(batch), getattr(batch, 'keys', lambda: None)()) - 避免在
@tf.function内访问iter(dataset)——训练循环的 dataset 迭代应由for batch in dataset:驱动，而非手动取
动态调试的关键不是“模拟 PyTorch”，而是理解 TF 的 eager/graph 分界点。最常踩的坑是：在该 eager 的地方写了 @tf.function，或在该图内运行的地方强行用 Python 调试语句。留心函数是否被装饰、变量是否在 tape 内、数据是否已转 NumPy，比记住语法更重要。
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！
