1、TensorFlow基础回顾：TensorFlow发展史、核心概念与环境搭建

各位同学，欢迎来到《TensorFlow自定义层与自定义训练实战》的第一章。说实话，每次开始一个新课程，我都习惯先带大家回顾一下基础。不是因为我啰嗦，而是我踩过太多「基础不牢，地动山摇」的坑了。

这一章，咱们聊聊TensorFlow的来龙去脉、核心概念，以及怎么把环境搭得顺手。嗯，都是干货，咱们开始吧。

1.1 TensorFlow发展史：从闭源到开源，从1.x到2.x

TensorFlow是Google Brain团队在2015年开源的深度学习框架。但你知道吗？它最早其实是Google内部用于研究和生产的工具，叫DistBelief。我2016年刚接触深度学习时，用的还是Caffe和Theano，TensorFlow一出来，我就觉得这东西有戏——计算图的概念太优雅了。

发展历程的几个关键节点：

• 2015年11月：TensorFlow 1.0 正式开源。静态计算图，需要先构建图再执行。说实话，调试起来挺痛苦的。
• 2017年：引入Eager Execution（动态图模式）。我记得当时看到这个更新，差点拍桌子——终于不用再忍受「先建图再跑」的折磨了。
• 2019年：TensorFlow 2.0 发布。默认启用Eager Execution，合并了Keras作为官方高级API。说白了，就是向PyTorch的易用性看齐。
• 至今：2.x持续迭代，加入了更多生产部署、移动端、Web端支持。

1.2 核心概念：张量、计算图、会话

这三个概念，是TensorFlow的基石。咱们一个一个说。

1.2.1 张量（Tensor）

张量，说白了就是多维数组。0维是标量，1维是向量，2维是矩阵，3维及以上就叫张量。TensorFlow里所有数据都以张量的形式流动。

举个例子：

import tensorflow as tf

# 标量（0维）
scalar = tf.constant(3.14)

# 向量（1维）
vector = tf.constant([1, 2, 3])

# 矩阵（2维）
matrix = tf.constant([[1, 2], [3, 4]])

# 3维张量
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)

我在项目中遇到过一个问题：新手容易把张量的shape搞混。记住一个口诀——shape的每个维度，从外到内数括号。你想想看，是不是这个理？

1.2.2 计算图（Graph）

计算图是TensorFlow的灵魂。它把计算过程表示为一个有向无环图，节点是操作（op），边是张量。

在1.x时代，你得先构建图，再在会话中执行。2.x默认启用动态图，图是即时构建的，调试起来方便多了。

但注意，静态图并没有消失。你仍然可以用 @tf.function 装饰器将Python函数编译成静态图，获得性能提升。

@tf.function
def compute(x, y):
    return tf.matmul(x, y) + tf.constant(1.0)

a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
b = tf.constant([[5.0, 6.0], [7.0, 8.0]])
result = compute(a, b)
print(result)

1.2.3 会话（Session）

在1.x中，会话是执行计算图的引擎。你需要显式创建Session，然后调用 sess.run() 来执行操作。

2.x中，会话被隐藏了。你直接调用函数或方法，TensorFlow自动管理执行。但如果你需要手动控制资源，可以用 tf.compat.v1.Session（不推荐）。

我个人的习惯是：除非有特殊需求，否则别碰Session。让框架帮你打理这些细节，你专注于模型设计就好。

1.3 环境搭建与版本选择

环境搭建这事儿，说简单也简单，说复杂也复杂。我见过太多同学卡在第一步——装了半天，import报错。咱们一步步来。

1.3.1 版本选择

目前TensorFlow的最新稳定版是2.x。我建议你选择 2.10 或 2.12 这两个版本。为什么？

• 2.10：最后一个原生支持GPU的Windows版本（之后Windows GPU支持需要WSL2）。
• 2.12：功能完整，bug较少，社区支持好。

如果你用的是Apple Silicon（M1/M2芯片），建议用 tensorflow-macos 和 tensorflow-metal 插件，能充分利用GPU加速。

操作系统	推荐版本	备注
Windows	2.10	原生GPU支持，无需WSL2
Linux	2.12+	GPU支持最好，CUDA兼容性高
macOS (Intel)	2.12	CPU模式，GPU支持有限
macOS (Apple Silicon)	2.12 (tensorflow-macos)	配合tensorflow-metal使用

1.3.2 安装步骤

我推荐用 conda 或 venv 创建虚拟环境。别偷懒，直接在base环境装，迟早会出问题。

# 创建虚拟环境（Python 3.9 比较稳妥）
conda create -n tf_env python=3.9

# 激活环境
conda activate tf_env

# 安装TensorFlow
pip install tensorflow==2.12.0

# 验证安装
python -c "import tensorflow as tf; print(tf.__version__)"

1.3.3 验证GPU是否可用

import tensorflow as tf

# 检查GPU
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print(f"找到 {len(gpus)} 个GPU设备")
    for gpu in gpus:
        print(f"  - {gpu.name}")
else:
    print("没有检测到GPU，将使用CPU")

如果输出显示没有GPU，别慌。先检查驱动，再检查CUDA版本。实在不行，用CPU跑小模型练手也行——就是慢点，但能跑。

1.4 本章小结

这一章，咱们回顾了TensorFlow的发展史，理清了张量、计算图、会话这三个核心概念，也把环境搭建的坑提前填上了。

你想想看，这些基础东西搞明白了，后面学自定义层和自定义训练，是不是就顺多了？

下一章，咱们正式进入自定义层的世界。我会带你手写一个全连接层，看看TensorFlow底层到底是怎么工作的。嗯，到时候见。