TF 1.15 不是遗留技术而是工业级底盘，因其深度定制、CUDA 11.3/cuDNN 8.2 实战适配、静态图机制与驱动层强耦合、两阶段控制权优势、EmbeddingVariable C++ 魔改不可迁移等硬性约束，导致无法轻易升级至 TF 2.x。
因为不是“还在用”，而是“不能轻易换”——TF 1.15 在很多生产系统里不是遗留技术，是经过深度定制、压测验证、性能封顶的工业级底盘。
TensorFlow 1.15 是唯一能稳定跑通 CUDA 11.3 + cuDNN 8.2 的老版本
官方文档说 TF 1.15 只支持 CUDA 10.0/10.1，但实操中它被广泛打补丁适配到 CUDA 11.3（尤其在 40 系显卡上）。原因很简单：tf.Session 和 tf.placeholder 构建的静态图机制与 CUDA 驱动层耦合极深，而 TF 2.x 的 tf.function 编译流程引入了额外的 ABI 层，导致在某些驱动版本下出现显存泄漏或 kernel launch 失败。很多大厂镜像（比如 BSHM 抠图镜像）直接锁定 tensorflow==1.15.5 + cudnn==8.2.0 + cuda==11.3 组合，就是因为这一组在 A100/H100 服务器和 RTX 4090 工作站上通过了千小时连续推理压测。
- Python 3.7 是该组合最稳的解释器版本；3.8+ 会出现
libpython符号冲突，尤其在多进程加载 embedding table 时 - conda 安装比 pip 更可靠：conda 自动匹配
cuda-toolkit子包，pip 容易漏掉libcublas版本对齐 - 别信“升级 CUDA 就能换 TF 2.x”——CUDA 11.3 对应的
libcudartABI 和 TF 2.8+ 不兼容，会报undefined symbol: __cudaRegisterFatBinaryEnd
图构建阶段 vs 图执行阶段的控制权，至今没被替代
TF 1.x 的两阶段分离（Graph Construction / Graph Execution）不是设计缺陷，而是给算法工程师留出的“编译期决策窗口”。比如在推荐系统中，特征维度、embedding hash size、甚至是否启用某一层 dense，都可以在 tf.placeholder 定义时用 Python if 判断后决定——这些判断只执行一次，不进入图；而真正运行时，sess.run() 只调度已固化图节点，无任何 Python 解释开销。
- TF 2.x 的
@tf.function虽然也做 tracing，但 tracing 过程可能触发副作用（如读文件、调 API），且 trace cache 清理逻辑复杂，容易在长周期服务中内存泄漏 - 原生 Python
for循环在图构建阶段展开，等价于手动 unroll；而在 TF 2.x 中用tf.while_loop实现同样逻辑，GPU 上实际调度开销高 15%~20% - 很多老模型用
tf.cond做 online learning 的梯度裁剪开关，这个开关必须在图构建期就确定路径，否则 runtime 无法保证原子性
Embedding Variable 的 C++ 魔改根本没法平移
大厂线上模型的 embedding table 动辄 TB 级，靠原生 tf.Variable 根本存不下。阿里、字节、美团都基于 TF 1.15 源码重写了 EmbeddingVariable，底层对接自研 KV 存储（如 RocksDB 分片 + RDMA 直连），并在 C++ 层做了算子融合（比如把 lookup + sparse softmax + gradient allreduce 合并成一个 kernel）。这些代码写死在 //tensorflow/core/kernels/embedding 下，和 TF 1.x 的 graph optimizer 引擎强绑定。
立即学习“Python免费学习笔记（深入）”；
- TF 2.x 彻底重构了 variable lifecycle 和 distribution strategy，原有 C++ 扩展接口全部失效
- 即使强行把旧 embedding op 编译进 TF 2.x，也会因 eager mode 默认开启而触发大量 host-device 同步，延迟暴涨 3~5 倍
- 有人试过用
tf.keras.layers.Embedding+ customtf.distribute.Strategy替代，结果发现 PS 架构下梯度同步顺序错乱，AUC 直接掉点
真正卡住升级的，从来不是 Python 接口写法，而是那些你 never see 的 C++ 内核补丁、通信协议重写、以及在百万 QPS 下压测出来的显存碎片率阈值——它们不会出现在 GitHub issue 里，只躺在内部 Wiki 的一页 PDF 中，标题叫《TF 1.15.5-patch-2025Q4》。
