核心要点
能列举 TF 2.x 的 Eager、Keras API、tf.data 等核心特性
了解分布式训练、SavedModel、TF Serving 等生态组件
知道与 PyTorch 在 API 风格上的差异
能说明 TensorFlow Lite / JS 等部署选项
简要回答
TensorFlow 是 Google 开源的端到端机器学习框架，以计算图 + 自动微分为核心，TF 2.x 默认 Eager 执行并深度集成 Keras，配套 tf.data、分布式、TFLite 等完整生产链路。
标准回答
是 Google Brain 团队开源的数值计算与 深度学习 框架，主打生产级部署与跨平台（服务器、移动端、浏览器、边缘设备）。
二、TF 2.x 核心特性
- Eager Execution：默认即时执行，调试体验接近 PyTorch
- Keras 集成：tf.keras 为标准高层 API，快速搭建与训练模型
- tf.data：高效输入管道（map、batch、prefetch、分布式分片）
- 自动微分：tf.GradientTape 记录前向操作并反向求梯度
- 分布式策略：MirroredStrategy、MultiWorkerMirroredStrategy 等多 GPU/多机训练
- SavedModel：统一导出格式，对接 TF Serving、TFLite、TF.js
三、生态优势
与 Google Cloud TPU、Vertex AI 深度集成；TensorFlow Lite 面向移动端量化推理。适合需要标准化 MLOps 流水线、大规模分布式和多端部署的团队。
| 特性 | TF 2.x | 备注 |
|---|---|---|
| API | Keras + 底层 ops | 高层/底层可混用 |
| 部署 | Serving / Lite / JS | 生产链路成熟 |
| 调试 | Eager + TensorBoard | 2.x 大幅改善 |
回答思路
【定义】用一句话说清「TensorFlow 有哪些主要特性」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
延伸学习
工具：TensorFlow、PyTorch。知识库：深度学习基础。术语：计算图。动态见 AI 资讯。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：仍按 TF 1.x 的 Session/Placeholder 范式回答 TF 2.x 特性；忽视 Keras 已成为官方推荐 API；把 TensorFlow 仅当作「训练框架」而不提部署生态。
追问
追问 1：tf.function 的作用是什么？
将 Python 函数追踪（trace）为静态计算图，在重复调用时获得图执行的性能优势（XLA 融合、减少 Python 开销）。训练循环中常用 @tf.function 装饰 train_step，兼顾开发与性能。
追问 2：TensorFlow 和 PyTorch 如何选型？
研究原型、动态图灵活性 → PyTorch 更流行；需要 TPU、企业级 Serving、移动端 TFLite 流水线 → TensorFlow 生态更完整。许多团队训练用 PyTorch、部署转 ONNX/TensorRT，选型看团队栈与部署目标。
追问 3：tf.data 相比直接用 NumPy 加载有何优势？
支持并行 map、异步 prefetch、内存高效迭代、与分布式策略自动分片；可将 CPU 预处理与 GPU 训练流水线重叠，显著提升吞吐，是大规模训练的标准做法。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
