tensorflow 2.x 默认启用 eager execution，tf.function 是唯一推荐的静态图方式；手动创建 session/graph 已弃用且无效，混用易导致变量生命周期错乱、梯度失效等错误。
TensorFlow 2.x 默认启用 eager execution（动态图），tf.function 是唯一推荐的静态图构建方式；手动切换或混用静态/动态图不仅不必要，而且极易引发隐晦错误——比如变量生命周期错乱、梯度计算失效、或 ValueError: Tensor is not an element of this graph。
为什么不能像 TF 1.x 那样手动创建 Session 和 Graph？
TF 2.x 的 tf.Graph 和 tf.Session 已被标记为 deprecated，底层不再维护独立 graph 实例的隔离性。即使你显式调用 tf.Graph()，它也不会自动绑定到当前执行上下文，tf.Variable 和 tf.Tensor 仍默认在默认 eager 环境中创建，不会“属于”那个 graph。
- 试图用
with graph.as_default():包裹变量定义，结果变量实际仍在 eager 模式下初始化，graph 对象形同虚设 -
tf.Session().run()在 TF 2.x 中已移除，调用会直接报AttributeError - 混合使用
@tf.function和手动 graph 切换，会导致函数内变量作用域混乱，梯度无法回传到外部 eager 变量
@tf.function 就是你要的“静态图”，但必须理解它的触发边界
@tf.function 不是“开启静态图开关”，而是将 Python 函数编译为可重用的图执行单元。它只在首次调用时 trace 生成图，后续调用复用该图 —— 这就是你唯一需要且可控的静态图入口。
- 输入张量的 shape/dtype 改变会触发重新 trace，产生新图（可能内存泄漏）；用
input_signature显式约束可避免 - Python 副作用（如
print()、list.append()）在 trace 阶段只执行一次，运行时被跳过；需改用tf.print()或tf.py_function - 不能在
@tf.function内修改外部 eager 变量的值（如my_var.assign(...)可以，但my_var = tf.Variable(...)会报错）
示例：正确用法
@tf.function
def train_step(x, y):
with tf.GradientTape() as tape:
pred = model(x)
loss = loss_fn(y, pred)
grads = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))
return loss
需要跨图调试？用 tf.debugging 和 tf.summary 替代手动 graph 操作
TF 1.x 时代靠切换 graph 查看中间 tensor，现在应转向 tracing 和日志工具：
-
tf.debugging.check_numerics()可插入任意位置检测 NaN/Inf，比 graph 节点 dump 更直接 -
tf.summary.trace_on()+tf.summary.trace_export()能导出完整 trace 图，可视化 ops 依赖和执行顺序 - 想查看某层输出？直接在 eager 模式下调用
layer(x).numpy()；若在@tf.function内，用tf.print(layer(x))或tf.summary.scalar()
真正容易被忽略的是：eager 模式下 tf.Variable 的初始化行为与 @tf.function 内不同——前者立即分配内存并赋初值，后者在第一次 trace 时才初始化。如果变量在函数内首次创建，又没设 experimental_autograph_options=allow_dynamic_lifecycle，就会报 ValueError: Variable created inside a function...。
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！
