动态图（Eager Execution）是TensorFlow 2.x中引入的核心特性，允许开发者以更直观的方式进行计算。以下是关键知识点：
1. 动态图特点
- 即时执行：操作立即返回具体值，无需构建计算图
- 调试友好：可直接使用Python调试工具（如pdb）
- 灵活原型设计：适合快速实验和算法开发
- 自然控制流：支持if/for等语句嵌套
2. 快速入门示例
import tensorflow as tf
# 启用动态图模式
tf.config.run_config.experimental_relaxations = True
# 直接操作张量
x = tf.constant([[1., 2.], [3., 4.]])
print(x.numpy()) # 输出: [[1. 2.][3. 4.]]
3. 与静态图对比
| 特性 | 动态图 | 静态图 |
|---|---|---|
| 执行方式 | 即时执行 | 延迟执行（需要会话） |
| 可视化 | 更直观 | 需要额外工具（如TensorBoard） |
| 适用场景 | 研究、调试、小规模模型 | 生产环境、大规模分布式训练 |
4. 进阶应用
- 条件分支：
tf.cond()实现动态控制流 - 循环结构：
tf.while_loop()处理迭代计算 - 自动微分：直接使用
tf.GradientTape()记录操作
建议扩展阅读：TensorFlow静态图教程 了解两种模式的差异与选择场景。