第 1 章 排程室基础：张量与执行原理

第 1 章 · 排程室基础：张量与执行原理

章节摘要：本章把 TensorFlow 2.x 的执行模型摊开在"排程室"的桌面上：张量是被调度的货物，算子是排程单上的最小工单，计算图是整张调度网络，变量是图上唯一可写的状态。读完你将能解释一段 TensorFlow 代码"何时真正执行、数据在哪个瞬间流动、梯度从哪条路回来"，并在本地搭好一个可随时实验的环境。这是全册一切后续章节的概念底座——后面六章的每个 API，最终都要落到本章这几件东西上。

学习目标

阅读完本章，你应当能够：

1. 不查资料说出张量、算子、图、变量四者的定义，以及它们在计算图中的位置关系；
2. 现场创建指定形状、类型、维度的张量，并预测广播运算后的形状；
3. 区分 Eager Execution 与图执行两种模式，说出 @tf.function 装饰前后函数行为的三个差异；
4. 解释 tf.Tensor 与 tf.Variable 的本质区别，以及为什么训练参数必须是 Variable；
5. 在本地或交互环境完成 TensorFlow 安装、GPU 检测与版本确认；
6. 画出 TensorFlow 2.x 的模块地图，知道遇到哪类问题该去哪个模块找工具。

核心概念速览

图 2 排程室全景：从代码到执行的四层结构

一句金句：TensorFlow 的一切行为，都是对一张数据流图的签发、录制与调度——看懂图，就看懂了所有 API。

子章节导航

1.1 TensorFlow 是什么：一张会求导的计算图

从"深度学习框架到底替你干了什么"讲起，交代框架三件事：自动求导、GPU 调度、算子复用，并给出贯穿全册的排程室视角。

1.2 环境搭建与第一次图上排程

安装、GPU 检测、版本确认，跑通第一段张量代码，认识"打印张量为什么没有数值"这个经典现象。

1.3 张量：排程室里的货物规格

维度、形状、类型三要素，创建与变形操作，广播规则——数据进入排程室前必须办好的规格手续。

1.4 运算与算子：排程单上的最小工单

算子的输入输出约定、类型提升、常用算子族，以及"运算符重载背后都是算子"的执行真相。

1.5 从 Graph 到 Eager：两种执行模式的调度差异

2.x 默认即时执行的便利与代价，@tf.function 的图捕获机制，AutoGraph 的转换边界与跟踪陷阱。

1.6 变量：图上唯一可写的状态

Variable 的创建、赋值、与 Tensor 的本质区别，为什么参数必须可写，以及变量生命周期里的坑。

1.7 模块地图与版本脉络

tf.data、tf.keras、tf.distribute 等子模块各管哪条调度线，1.x 到 2.x 的执行模型变迁。

子章节之间的逻辑关系

本章七节按"先认货、再开工单、再看调度模式、最后认状态与地图"推进：1.3 的张量是货物规格，1.4 的算子是消费货物的工单，两者构成计算图的静态材料；1.5 决定这些材料以什么节奏被执行，是本章的认知高点；1.6 的变量是训练得以发生的前提——没有可写状态，就没有学习；1.7 收束成地图，供你后面六章随时回查。

1.1 视角 ──> 1.2 环境 ──> 1.3 张量 ──> 1.4 算子
                                   │
                                   v
                        1.5 执行模式 ──> 1.6 变量 ──> 1.7 模块地图
                                          │
                                          v
                              第 2 章：给这张图喂数据
​

前置知识与后续延伸

• 前置知识：Python 基础语法与函数概念；NumPy 数组的形状与切片（1.3 节会对照讲解）；不要求任何机器学习背景。
• 后续延伸：本章的概念在第 2 章立即投入使用——tf.data 管道的每一环都在"生产张量"；第 3 章 Keras 的 fit 会把 1.5 的执行模式与 1.6 的变量更新串成完整训练调度；第 5 章的自定义训练循环则直接让你亲手操作 1.5 与 1.6 的机制。