tensorflow 1.x静态图模式下张量值无法直接打印，必须通过sess.run()获取，但调试困难：错误定位滞后、中间变量需预设fetches、变量未初始化易崩溃、session生命周期敏感、作用域与保存恢复易出错，且eager模式切换存在兼容性问题。
静态图模式下无法直接打印张量值
TensorFlow 1.x 的 tf.placeholder 和 tf.Variable 定义后，只是在计算图中注册节点，并不产生实际数值。你调用 print(y) 得到的只是 Tensor("Softmax:0", shape=(?, 10), dtype=float32) 这类符号描述，不是数字——根本没法判断中间结果是否符合预期。
必须显式进入 sess.run() 才能取值，而一旦出错，错误堆栈往往指向 sess.run() 这一行，而非真正出问题的算子位置。
- 所有中间变量（如激活值、梯度、loss）都得提前写进
fetches列表，漏一个就看不到 - 不能用
if/else或循环动态控制 fetch 内容，图结构必须在 run 前完全固定 - 调试时频繁增删
fetches会导致图反复重建，效率极低
变量初始化和 session 生命周期容易出错
忘记调用 sess.run(tf.global_variables_initializer()) 是常见崩溃点，报错信息是 FailedPreconditionError: Attempting to use uninitialized value，但不会告诉你哪个变量没初始化。
更麻烦的是 Session 对象本身有明确生命周期：一旦 sess.close() 或退出 with sess: 块，所有关联张量立即失效。PyCharm 中常见 RuntimeError: Attempted to use a closed Session 就源于此。
- 变量作用域嵌套时，
tf.get_variable_scope().reuse配置错一点，就会创建重复变量或找不到已有变量 -
tf.train.Saver保存/恢复时若图结构不一致（比如新增了 placeholder），会静默跳过或报模糊的NotFoundError - 多线程环境下共享 session 需手动加锁，否则出现 race condition 导致输出不可复现
错误定位滞后且缺乏上下文
静态图把“定义”和“执行”彻底分离，导致很多本该在定义阶段暴露的问题，拖到 sess.run() 才抛异常。比如 tf.matmul(x, W) 中 x.shape 是 (None, 784)、W.shape 是 (10, 784)，形状不匹配的错误直到运行时才触发，且堆栈里看不到 x 和 W 实际 shape 的快照。
-
ValueError: Dimensions must be equal这类错误不告诉你具体哪两个 tensor 在参与运算 - 使用
tf.control_dependencies插入调试 op（如tf.Print）必须手动改图，且输出混在日志流里难过滤 - GPU 设备分配错误（如某 variable 被调度到 CPU 而其他 ops 在 GPU）只在运行时报
InvalidArgumentError: Cannot assign a device for operation，无前置检查手段
Eager Execution 不是万能解药
虽然 TensorFlow 2.x 默认启用 Eager Execution，但如果你被迫维护旧项目或依赖某些仅支持 Graph Mode 的 ops（如部分分布式训练封装、legacy estimator API），切换模式反而会引入新兼容性问题。
例如，直接把 TF 1.x 代码加上 tf.compat.v1.enable_eager_execution() 后，tf.train.Saver、tf.summary.FileWriter 等 API 会立即失效，报 AttributeError；而改用新 API 又需重写整套 checkpoint 和日志逻辑。
- 混合模式（部分函数用
@tf.function，部分保持 eager）容易因 tensor 类型隐式转换出错，比如tf.Tensor和numpy.ndarray混用触发TypeError - 即使开启 eager，
tf.data.Dataset的map()函数内部仍默认 graph mode，调试 map 函数体仍需额外配置 - 某些底层 C++ op（如自定义 op）未适配 eager，调用时直接 crash，错误信息常为 segmentation fault，无 Python 堆栈
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！
