核心要点
TF 1.x 默认静态图 + Session；2.x 默认 Eager
知道 Keras 在 2.x 为一等 API
了解 tf.compat.v1 向后兼容
能说明迁移对工程实践的影响
简要回答
TF 1.x 需先建静态计算图再用 Session 喂数据执行；TF 2.x 默认 Eager 即时执行、Keras 为标准 API，调试更直观，仍可用 tf.function 获图优化。
标准回答
一、TensorFlow 1.x
与 2.x 是范式级差异：
| 维度 | TF 1.x | TF 2.x |
|---|---|---|
| 执行模式 | 静态图 + Session | 默认 Eager |
| 高层 API | 需单独装 tf.keras | tf.keras 内置 |
| 调试 | 难（需 Session.run） | 像 NumPy 可打印 |
| 变量 | Variable + placeholder | tf.Variable 直接运算 |
| 部署 | Graph 导出 | SavedModel + tf.function |
二、TF 1.x 典型流程
定义 placeholder → 建图 → Session.run(feed_dict) 传入数据。繁琐且不利于 Python 调试。
三、TF 2.x 改进
tf.GradientTape 自动微分；@tf.function 可选图加速；tf.data 管道成熟；移除大量冗余 API。
面试里不要只停在公式或名词，可以补 TensorFlow 1.x 与 2.x 有何区别 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
四、迁移
遗留 1.x 代码可用 tf.compat.v1；Google 官方提供迁移指南。新项目应直接用 2.x。详见 TensorFlow 文档与 深度学习基础。
回答思路
【定义】用一句话说清「TensorFlow 1.x 与 2.x」
【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。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：面试 TF 2.x 仍大谈 Session/Placeholder；不知道 Keras 已内置；声称 1.x 和 2.x「完全一样」。
追问
追问 1：TF 2.x 还需要 Session 吗？
日常不需要。Eager 下直接调用张量运算；部署 SavedModel 时服务端内部可能图执行，但开发者 API 层面已无 Session 概念。compat.v1.Session 仅兼容旧代码。
追问 2：Eager 和 Graph 性能差多少？
裸 Eager 有 Python 调度开销；训练热点用 @tf.function 追踪为图，配合 XLA 可接近 1.x 图模式性能。2.x 兼顾易用与性能。
追问 3：Placeholder 在 2.x 中用什么替代？
直接用函数参数或 tf.Variable 输入；tf.function 追踪时参数即输入占位。Dataset 迭代器是推荐的数据输入方式。
🔗 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
