2、TensorFlow基础概念：张量、计算图、会话与Eager Execution
好，咱们正式开始啃 TensorFlow 的硬骨头了。
这一章，我带你捋清楚四个最核心的概念：张量、计算图、会话，还有后来居上的 Eager Execution。说白了，这四个东西就是 TensorFlow 的骨架。你把这四个搞明白了，后面写模型就跟搭积木一样顺手。
2.1 张量（Tensor）—— 数据的基本单位
先说说张量。你把它理解成「带维度的数组」就行。
标量是 0 阶张量，向量是 1 阶，矩阵是 2 阶，再往上就是高阶张量。我刚开始学的时候，总觉得「张量」这词儿唬人，其实它就是数据的容器。
核心要点：TensorFlow 里所有数据都以张量形式流动。图像是 4 阶张量（批次、高、宽、通道），文本是 2 阶张量（批次、序列长度）。
看个例子你就明白了：
import tensorflow as tf
# 0阶张量（标量）
scalar = tf.constant(3.14)
# 1阶张量（向量）
vector = tf.constant([1.0, 2.0, 3.0])
# 2阶张量（矩阵）
matrix = tf.constant([[1, 2], [3, 4]])
# 3阶张量
tensor_3d = tf.constant([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
print(scalar.shape) # 输出: ()
print(vector.shape) # 输出: (3,)
print(matrix.shape) # 输出: (2, 2)
print(tensor_3d.shape) # 输出: (2, 2, 2)
嗯，这里要注意：tf.constant 创建的是不可变的张量。如果你想改数据，用 tf.Variable。我在项目中经常用 Variable 来存模型参数，因为权重需要不断更新。
我的习惯：调试时先用 .numpy() 把张量转成 NumPy 数组打印出来看看，确认数据形状对不对。这一步能省掉你后面很多排查时间。
2.2 计算图（Graph）—— 运算的蓝图
接下来是计算图。这个概念有点抽象，我换个说法：计算图就是运算流程的「设计图纸」。
在 TensorFlow 1.x 时代，你得先搭图，再跑图。就像盖房子，先画好图纸，再施工。你想想看，这样做的好处是什么？
- 并行计算：图里没有依赖关系的节点可以同时跑
- 分布式部署：图可以拆开放到不同设备上执行
- 自动求导：框架根据图的结构自动算梯度
举个例子，计算 z = (a + b) * c：
import tensorflow as tf
# 定义占位符（老版本写法）
a = tf.placeholder(tf.float32, name='a')
b = tf.placeholder(tf.float32, name='b')
c = tf.placeholder(tf.float32, name='c')
# 构建计算图
add_op = tf.add(a, b, name='add')
mul_op = tf.multiply(add_op, c, name='multiply')
# 此时图已经搭好了，但还没执行
print(mul_op) # Tensor("multiply:0", dtype=float32)
看到没？mul_op 只是一个 Tensor 对象，里面没有具体数值。这就是「静态图」的特点——先定义，后执行。
我曾经踩过的坑：在循环里反复创建计算图，导致内存暴涨。后来我习惯把图定义放在函数外面，或者用 tf.Graph() 显式管理图对象。记住：图只用建一次，别在循环里重复建。
2.3 会话（Session）—— 让图跑起来
图搭好了，谁来执行？会话（Session）就是那个「包工头」。
Session 负责分配资源、执行运算、返回结果。没有 Session，你的图就是一张废纸。
# 创建会话并执行
with tf.Session() as sess:
result = sess.run(mul_op, feed_dict={a: 2.0, b: 3.0, c: 4.0})
print(result) # 输出: 20.0
这里 feed_dict 就是给占位符喂数据。你想想看，如果图是模具，Session 就是压铸机，feed_dict 就是原材料。
我个人习惯用 with 语句管理 Session，这样能自动释放资源。以前有人忘了关 Session，导致 GPU 显存一直被占用，排查半天才发现。
| 组件 | 作用 | 类比 |
|---|---|---|
| 张量 | 数据容器 | 砖块、水泥 |
| 计算图 | 运算流程定义 | 建筑设计图 |
| 会话 | 执行运算 | 施工队 |
| 占位符 | 数据入口 | 材料进场口 |
2.4 Eager Execution 模式—— 动态图的革命
好了，前面讲的都是 TensorFlow 1.x 的老路子。到了 2.x，情况变了。
Eager Execution 模式，说白了就是「立即执行，不用等 Session」。你写一行代码，结果马上就出来。这跟 Python 的正常写法一模一样。
import tensorflow as tf
# 默认就是 Eager 模式（TF 2.x）
a = tf.constant(2.0)
b = tf.constant(3.0)
c = a + b
print(c.numpy()) # 直接输出: 5.0
看到了吗？没有 Session，没有 run()，没有 feed_dict。代码写起来就跟 NumPy 一样自然。
为什么会这样？因为 Google 自己也意识到，静态图虽然性能好，但调试起来太痛苦了。我记得以前调试一个模型，想打印中间结果，得专门写 tf.Print 节点，然后重新跑图……那体验，谁用谁知道。
Eager Execution 的优势：
- 调试方便：可以用 Python 的 print、pdb 直接调试
- 代码直观：写起来像 NumPy，学习成本低
- 动态控制流：if、while 可以直接用 Python 原生的
当然，Eager 模式也有缺点——性能不如静态图。不过 TensorFlow 2.x 提供了 @tf.function 装饰器，可以把一段 Python 函数自动编译成静态图，兼顾了易用性和性能。
@tf.function
def compute(x, y):
return tf.matmul(x, y) + 1.0
# 第一次调用会编译，后面直接跑编译后的图
result = compute(tf.constant([[1.0, 2.0]]), tf.constant([[3.0], [4.0]]))
print(result)
嗯，这里要注意：@tf.function 不是万能的。如果你的函数里有大量 Python 原生操作（比如列表推导、字典操作），编译效果会打折扣。我建议把核心的矩阵运算包进去，数据预处理部分留在外面。
我的建议：新手直接用 Eager 模式写代码，跑通了再用 @tf.function 优化热点部分。别一开始就想着静态图，容易把自己绕晕。
2.5 总结一下
这一章的内容，说白了就是三件事：
- 张量是数据，记住形状和数据类型
- 计算图 + 会话是老版本的核心，理解思想就行
- Eager Execution 是现在的主流，写起来爽，调试也方便
我个人觉得，理解计算图的思想比记住 API 更重要。因为后面学分布式、模型部署、自定义算子，都离不开图的概念。Eager 模式只是让开发更舒服，但底层跑的依然是图。
下一章，咱们开始动手写第一个完整的模型。到时候你会发现，有了这些基础概念打底，写代码就跟喝水一样自然。