TensorFlow的图结构

### TensorFlow 图结构概述

TensorFlow采用基于图的数据流编程模型来表达计算逻辑。在这个框架下，所有的操作都被定义为节点（ops），而张量则作为边连接这些节点，在节点间传递数据[^1]。

#### 动态图与静态图的区别

动态图模式下编写代码更加直观易懂，类似于常规Python程序；而在静态图环境中，则需先构建好整个计算流程再执行。为了兼容这两种不同的工作方式，TensorFlow提供了`tf.function`装饰器机制，使得开发者可以在不改变原有业务逻辑的基础上实现动静切换[^3]。

import tensorflow as tf

# 定义一个简单的加法运算函数，并将其转化为静态图形式
@tf.function
def add(a, b):
    return a + b

result = add(tf.constant(2), tf.constant(3))
print(result.numpy())  # 输出：5

#### 创建和管理会话 (Session)

在早期版本中(TensorFlow 1.x)，用户需要显式创建session对象并通过run()方法启动具体的操作实例。然而自TensorFlow 2.0起，默认启用了Eager Execution即时求值功能，简化了很多繁琐的过程。尽管如此，对于某些特殊情况还是可能需要用到Graph/session组合来进行更精细控制[^4]。

# TensorFlow 1.x风格的写法
with tf.compat.v1.Session() as sess:
    hello = tf.constant('Hello, TensorFlow!')
    print(sess.run(hello))

# TensorFlow 2.x推荐做法——利用eager execution特性直接调用tensor的方法获取numpy array
hello = tf.constant('Hello, TensorFlow!')
print(hello.numpy())

#### Tensor 数据格式说明

张量(tensor)是TensorFlow中最核心的数据载体之一，本质上就是一个多维数组(array-like structure)，具有名称(name)、维度(shape)以及元素类型(dtype)三个属性[^5]。