首次调用@tf.function更慢是因为必须执行tracing：TensorFlow以传入张量为样本实际运行函数，拦截tf.*操作构建静态图，并尝试用AutoGraph转换控制流，同时进行图优化；此过程涉及元数据构建、类型推导和CPU密集型图结构初始化，开销远超eager执行。
首次调用@tf.function为什么更慢？
因为必须做 tracing——TensorFlow 要逐行记录 Python 代码执行路径，把所有 tf.* 操作组装成一张静态计算图，还要做图优化（比如常量折叠、算子融合）。这个过程涉及大量元数据构建、类型推导和内存分配，开销远高于直接跑 eager 代码。
tracing阶段到底在做什么？
它不是“编译”，而是运行时探查：用你传入的张量作为样本输入，实际执行一遍函数体，同时拦截所有 tf.* 调用并登记为图节点。如果函数里有 if 或 for，AutoGraph 还要尝试转成 tf.cond/tf.while_loop；遇到 print() 或 len(x) 就会报 WARNING:tensorflow:AutoGraph could not transform 并降级为 Python 执行。
- 输入必须是
tf.Tensor，传numpy.ndarray或list会触发隐式转换 + 额外开销 - shape 和 dtype 变化一次，就等于新建一个图实例，后续同签名调用才复用
- trace 期间 GPU 可能空闲，因为大部分工作在 CPU 上完成（构建图结构、调度器初始化等）
怎么判断是不是卡在 tracing？
看日志有没有反复出现 Tracing forward pass for input shapes 或 Retracing is expensive；nvidia-smi 显示 GPU-util 在 0% 和 100% 之间跳变，说明 host 端频繁重建图、device 端等待新图下发。
- 用
@tf.function(input_signature=[...])强制锁定输入规格，避免隐式重 trace - 调试时加
experimental_relax_shapes=True允许小范围 shape 变动，但别上线用 - 禁用
tf.print、print()、logging.info()——它们会打断 tracing 流程
哪些操作会让 tracing 时间爆炸？
不是所有 Python 代码都适合被 trace。以下行为会显著拖慢首次运行，甚至让 tracing 失败：
立即学习“Python免费学习笔记（深入）”；
- 在函数内调用
tf.py_function：每次都要启动 Python 解释器上下文，无法图优化 - 用
tf.shape(x)[0]替代len(x)，否则 AutoGraph 不认识，退回到 Python 模式 - 闭包中引用外部可变变量（如
counter += 1），TF 会把它当常量捕获，导致逻辑错乱且 trace 不稳定 - 输入含嵌套结构（如字典套列表套张量），必须确保每次结构完全一致，否则视为不同 signature
真正提速只发生在「多次调用同一 signature」之后；首次慢是必要代价，但不该慢得离谱——如果 trace 耗时超过 10 秒，大概率是输入不稳定或混入了不可图化操作。
