TensorFlow 是由 Google 开发并开源的端到端开源机器学习框架，广泛用于构建和训练深度学习模型（如神经网络）

TensorFlow 是由 Google 开发并开源的端到端开源机器学习框架，广泛用于构建和训练深度学习模型（如神经网络）、传统机器学习模型，以及部署到云端、边缘设备或移动端。其核心特点包括：

• 计算图（Graph）与自动微分：早期版本基于静态计算图（Session + Graph），TensorFlow 2.x 默认启用Eager Execution（动态图模式），使开发更直观、调试更便捷；同时仍支持图模式以提升性能和部署能力。
• Keras 高级 API 深度集成：TensorFlow 2.x 将 Keras 作为官方高级API（tf.keras），提供简洁、模块化的模型构建方式（Sequential、Functional、Subclassing API）。
• 跨平台部署能力：支持模型导出为 SavedModel 格式，可部署至 TensorFlow Serving（服务端）、TensorFlow Lite（移动端/嵌入式）、TensorFlow.js（Web 浏览器）及 TensorFlow Extended（TFX，生产级 MLOps）。
• 分布式训练支持：内置tf.distribute.Strategy（如 MirroredStrategy、TPUStrategy），轻松实现多 GPU、多节点甚至 TPU 集群训练。
• 生态丰富：配套工具如 TensorBoard（可视化训练过程）、TF Data（高效数据流水线）、TF Hub（预训练模型库）、TF Model Garden（SOTA 模型实现）等。

示例：使用 tf.keras 构建一个简单 CNN 分类模型

importtensorflowastf model=tf.keras.Sequential([tf.keras.layers.Reshape((28,28,1),input_shape=(784,)),tf.keras.layers.Conv2D(32,(3,3),activation='relu'),tf.keras.layers.MaxPooling2D(),tf.keras.layers.Flatten(),tf.keras.layers.Dense(128,activation='relu'),tf.keras.layers.Dense(10,activation='softmax')])model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])model.fit(x_train,y_train,epochs=5,validation_data=(x_val,y_val))

TensorFlow 1.x 与 2.x 的主要区别体现在设计理念、API 层级、执行模式和生态整合上，核心目标是提升易用性、一致性和生产就绪性。以下是关键差异及迁移要点：

✅1. 执行模式：静态图 → 默认动态图（Eager Execution）

• TF 1.x：默认使用静态计算图（Graph + Session），需显式构建图、启动 Session 并run()，调试困难、代码冗长。
• TF 2.x：Eager Execution 默认开启，操作立即执行、支持 Python 原生调试（如print()、pdb），行为更接近 NumPy/PyTorch。

✅2. API 统一：Keras 成为官方高级 API

• TF 1.x：存在多套不兼容的高层 API（tf.layers,tf.keras,tf.contrib），混乱且部分已弃用。
• TF 2.x：tf.keras是唯一推荐的高级 API；tf.layers、tf.contrib已移除；所有模型构建、训练、评估均通过 Keras 接口完成。

✅3. 函数式/子类化建模标准化

• TF 2.x 明确推荐三种建模方式：
  • Sequential（线性堆叠）
  • Functional API（多输入/输出、共享层）
  • Model Subclassing（完全自定义前向逻辑，适合研究）
• TF 1.x 中子类化需手动管理变量、图依赖，TF 2.x 中tf.keras.Model子类天然支持 Eager 和 Graph 模式。

✅4. 变量管理与作用域简化

• TF 1.x：依赖tf.VariableScope、tf.get_variable，易出作用域冲突。
• TF 2.x：变量即 Python 对象，自动追踪（tf.GradientTape）、无需显式作用域；tf.Variable直接创建，生命周期由 Python 引用管理。

✅5. 分布式训练与部署统一

• TF 2.x 引入tf.distribute.Strategy抽象层，同一份模型代码可无缝切换 CPU/GPU/TPU/多机训练；
• SavedModel 成为唯一推荐的序列化格式（替代freeze_graph、checkpoint混用），支持跨语言加载（C++、JS、Python）。

🔧迁移旧代码（TF 1.x → TF 2.x）关键步骤：

1. 启用兼容模式（临时过渡）：

   importtensorflow.compat.v1astf tf.disable_v2_behavior()# 仅用于快速验证，不推荐长期使用

2. 替换 API：
   • tf.Session()/tf.placeholder()→ 删除，改用函数参数或tf.data.Dataset
   • tf.layers.*→ 全部替换为tf.keras.layers.*
   • tf.train.*优化器 → 改用tf.keras.optimizers.*（如Adam）
   • tf.summary.*→ 改用tf.summary.create_file_writer+with writer.as_default():
3. 重写训练循环（若原用Session.run）：
   • 使用@tf.function装饰器加速关键函数（如train_step）
   • 利用tf.GradientTape自动求导，替代tf.gradients
4. 模型保存/加载：
   • 替换saver.save()→model.save('path', save_format='tf')（SavedModel）
   • 加载用tf.keras.models.load_model('path')

⚠️ 注意：tf.contrib在 TF 2.x 中完全移除，需寻找替代方案（如tensorflow-addons或社区实现）。