核心要点

  • 最大区别是执行模式：1.x 先建静态图再 Session.run，2.x 默认 Eager 即写即算、可直接 print 调试

  • 1.x 用 placeholder+feed_dict 喂数据，2.x 直接传张量、用 tf.GradientTape 做自动微分

  • Keras 在 2.x 升为内置一等高层 API，配合 tf.data 管道大幅简化建模流程

  • @tf.function 让你按需把 Eager 代码编译成图换取性能，旧 1.x 代码用 tf.compat.v1 兼容运行

简要回答

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

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

标准回答

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

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。

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。

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。

常见误区

⚠️ 常见踩坑

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？

题库专题：TensorFlow 中的 Session 是什么？起什么作用？

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。

题库延伸：与本追问相关的专题题 → TensorFlow 中的 Session 是什么？起什么作用？

追问 2：Eager 和 Graph 性能差多少？

Eager 逐op派发，有 Python 解释开销，小算子密集或控制流复杂时较慢；用 @tf.function 编成图后可做算子融合、常量折叠等优化，吞吐通常明显提升，差距在小模型上可能数倍。但对大矩阵乘为主的网络，瓶颈在 GPU 计算本身，两者差距会缩小，所以一般「开发用 Eager、训练/部署套 tf.function」。

追问 3：Placeholder 在 2.x 中用什么替代？

题库专题：TensorFlow 中的 Placeholder 是什么？如何使用？

直接用函数参数：把输入张量作为 Python 函数/模型 forward 的入参传进去即可，不再需要占位节点。若用 @tf.function 想固定输入签名，可用 input_signature 里的 tf.TensorSpec（shape 用 None 表示可变 batch）来声明，作用类似旧的 placeholder 形状约定。

题库延伸：与本追问相关的专题题 → TensorFlow 中的 Placeholder 是什么？如何使用？

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 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

  • Keras

    深度学习框架，64,020+ stars。高级神经网络 API，支持 TensorFlow、JAX、PyTorch 多后端。以用户友好著称，让深度学习从实验到生产的转化变得简单高效

🎯 相关面试题