核心要点
能说清计算图是有向无环图：节点是运算（matmul、relu），边是流动的张量，它显式表达了依赖关系
TF 1.x 是「先定义整张图、再用 Session.run 执行」的声明式范式，便于全局优化与多设备放置，但调试困难
TF 2.x 默认 Eager 即时执行（像普通 Python），用 @tf.function 把函数追踪成图以换取性能和可部署性
有了计算图才能做自动微分：反向时沿图按链式法则回传梯度
简要回答
计算图（Computation Graph） 将数学运算表示为 DAG（有向无环图）：
- 节点（Node）：运算（matmul、relu、add）
- 边（Edge）：张量数据流
TF 1.x 范式：
- 定义阶段：组装整张图（placeholder、Variable、op）
- 执行阶段：Session.run 按拓扑序计算
优势：全局优化、多设备放置；
TF 2.x：
- 默认 Eager：运算立即执行，无显式大图
- @tf.function：将 Python 函数追踪为图，获性能与部署优势
- Autograph 将部分 Python 控制流转为图 op
与 PyTorch 动态图对比：TF 历史上偏声明式静态图
标准回答
计算图（Computation Graph） 将数学运算表示为 DAG（有向无环图）：
- 节点（Node）：运算（matmul、relu、add）
- 边（Edge）：张量数据流
TF 1.x 范式：
- 定义阶段：组装整张图（placeholder、Variable、op）
- 执行阶段：Session.run 按拓扑序计算
优势：全局优化、多设备放置；劣势：调试难。
TF 2.x：
- 默认 Eager：运算立即执行，无显式大图
- @tf.function：将 Python 函数追踪为图，获性能与部署优势
- Autograph 将部分 Python 控制流转为图 op
与 PyTorch 动态图对比：TF 历史上偏声明式静态图；2.x 兼顾两者。理解计算图有助于读懂 反向传播 与分布式 placement。详见 反向传播原理。
常见误区
⚠️ 常见踩坑
只说 1.x 静态图不提 2.x Eager；认为 PyTorch 没有计算图；混淆建图与训练本身。
追问
追问 1：tf.function 如何追踪图？
首次以某组输入签名（dtype、shape）调用被装饰函数时，TF 以「追踪」模式跑一遍 Python 代码，把其中的 TF op 记录成一张 ConcreteFunction 图并缓存；之后相同签名的调用直接复用这张图、跳过 Python。不同输入签名会触发重新追踪（retracing）。注意：纯 Python 副作用（print、列表 append）只在追踪那一次执行，容易踩坑。
追问 2：计算图如何做自动微分？
图记录了每个 op 及其输入输出依赖，每个 op 都注册了对应的梯度函数。反向时从损失节点出发，按拓扑逆序遍历图，对每个 op 用其梯度函数把上游梯度乘以本地偏导，沿边累加到各变量，即反向模式自动微分。TF 2.x 用 GradientTape 记录前向 op，再调用 tape.gradient 完成这一过程。
追问 3：control dependency 是什么？
控制依赖用来强制 op 之间的执行顺序，即使它们没有数据依赖。例如更新 running mean 的赋值 op 与主计算无数据连接，需用 tf.control_dependencies 确保它在某步之前执行。它解决的是「图中无数据边、但仍需先后顺序」的副作用排序问题，常见于变量更新、队列入队等场景。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
📰 AI 资讯
🛠️ AI 工具
- Pytorch
Meta 开源的深度学习框架，100K+ stars。以动态计算图和 Pythonic 风格著称，在学术界和工业界都有广泛应用，支持分布式训练、移动端部署和 ONNX 导出
- Tensorflow
全球最流行的机器学习框架之一，195K+ stars。Google 开源的端到端 ML 平台，支持 TensorFlow、Keras 等多种 API，覆盖深度学习、强化学习、移动端部署等全场景，是 AI 工程师的必备工具