动态图模式下每次运算都重建计算图：TensorFlow的Eager Execution逐行解释执行，每步前向传播均从头构建计算图，而tf.function仅首次调用追踪生成图并复用，避免重复开销，但需满足张量输入、可静态分析控制流等条件才能生效。
动态图模式下每次运算都重建计算图
TensorFlow 的动态图（Eager Execution）本质是“逐行解释执行”：tf.add()、tf.matmul() 这类操作一调用就立即计算并返回 tf.Tensor，不缓存或复用图结构。这意味着同一个模型在训练循环中每步前向传播，都要从头构建一遍节点、边、依赖关系——哪怕输入 shape 和控制流完全一致。
而静态图（tf.function 装饰后的函数）只在首次调用时追踪生成一次 ConcreteFunction，后续复用编译后的图。这省去了 Python 层解析、图节点注册、内存分配元信息初始化等开销。
tf.function 触发图优化的条件很具体
不是加了 @tf.function 就自动变快。它只对满足以下条件的代码生效：
- 所有张量输入必须是
tf.Tensor或支持 trace 的类型（不能是纯 Pythonint/list） - 控制流（
if/for）需能被静态分析；含tensor.shape[0]这类动态值的分支，会触发 retracing（重新生成图），反而更慢 - 函数内不能频繁修改 Python 对象（如追加 list、更新 dict），否则每次调用都可能触发 retracing
常见坑：@tf.function 里写 print() 或 logging.info()，这些副作用会导致无法缓存图，退化成动态执行。
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
梯度计算路径更长，且无法融合算子
动态图中，tf.GradientTape 记录的是原始 Python 调用序列，反向传播时要按执行顺序逐层回溯。而静态图可在编译期做算子融合（如 MatMul + BiasAdd + ReLU 合并为一个 kernel）、内存复用（避免中间张量反复分配释放）、常量折叠（提前算出固定表达式）。
实测对比：一个含 5 层 Dense 的小网络，在 GPU 上单步训练耗时，动态图通常比等效 tf.function 高 15%–40%，差距随模型复杂度上升。瓶颈不在 GPU 计算，而在 Host 端（CPU）的调度和内存管理开销。
调试便利性与性能的硬交换
动态图慢，但你可以直接在 model(x) 后加 print(x.shape)、用 breakpoint() 查看任意中间变量——这些能力在 tf.function 内全部失效。如果你正在调试 shape mismatch 或 NaN 梯度，强行套 @tf.function 反而延长定位时间。
真正需要平衡的不是“全动态”或“全静态”，而是分层使用：训练循环外的预处理、数据增强保持动态（便于 debug）；核心模型前向/反向包装进 @tf.function；梯度裁剪、loss 计算等稳定逻辑也应纳入。
