锋哥原创的TensorFlow2 Python深度学习视频教程：
https://www.bilibili.com/video/BV1X5xVz6E4w/
课程介绍
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 计算图和 tf.function 简介
在 TensorFlow 2 中，计算图和 tf.function 的概念被大大简化和自动化。与 TensorFlow 1.x 中的静态计算图不同，TensorFlow 2 引入了 立即执行（Eager Execution） ，默认情况下会立即执行操作，使得调试和开发更为直观。然而，对于性能优化，TensorFlow 仍然允许用户通过 tf.function 将 Python 函数转换为静态计算图来进行优化。
1. TensorFlow 2 的计算图
计算图是一种图结构，其中每个节点表示一个操作（operation），边表示数据流（如张量）。通过这种方式，TensorFlow 可以将计算分解为一系列的节点和边，并执行这些操作以获得结果。
在 TensorFlow 2 中，计算图是通过 tf.function 来创建的。当使用 tf.function 时，TensorFlow 会将 Python 函数自动转换为计算图，并为这个图进行优化。这样可以显著提高性能，特别是在涉及大量数据和复杂计算的场景中。
2. tf.function
tf.function 是一个装饰器，它将 Python 函数转化为图（Graph），并通过 TensorFlow 自动执行优化，从而提升性能。这个图表示静态计算图，可以在训练和推理时使用。
tf.function 的优点：
-
性能优化：通过将 Python 函数转换为图，TensorFlow 可以进行优化，从而提高计算效率。
-
跨平台支持：图可以在不同的设备上高效运行，比如 CPU、GPU、TPU。
-
符号执行：TensorFlow 会自动处理类型和形状信息，从而避免了频繁的动态计算。
3. 示例代码
import tensorflow as tf
# 使用 tf.function 将其转化为计算图
@tf.function
def add_numbers(x, y):
return x + y
# 执行加法操作并记录计算图
x = tf.constant(1)
y = tf.constant(2)
# 计算图执行
result = add_numbers(x, y)
print(result)运行结果：
tf.Tensor(3, shape=(), dtype=int32)4. Eager Execution 与 Graph Execution 区别
-
Eager Execution（立即执行）是 TensorFlow 2 的默认行为，意味着操作会立即执行并返回结果。
-
Graph Execution （图执行）是通过
tf.function将 Python 函数转换为静态计算图，优化计算并延迟执行。