1.7 模块地图与版本脉络

1.7 模块地图与版本脉络

本节摘要：TensorFlow 的子模块各自承包计算图调度中的一段：tf.data 管数据上料，tf.keras 管建模训练，tf.distribute 管多设备分派，tf.function 管图编译，tf.summary 管观测。本节把这张地图画全，并沿 1.x 到 2.x 的版本脉络解释每个模块为何长成今天的形状。学完本节，你遇到任何需求都能立刻定位"该去哪个模块找"，也读懂旧代码里版本错位的历史原因。

学习目标

阅读完本节，你应当能够：

1. 说出 tf 的八个子模块各自承包哪条调度线；
2. 对照 1.x 与 2.x 的 API 变迁表，判断一段旧代码需要怎么改写；
3. 根据"数据规模、模型来源、部署目标"三个维度快速定位本教程后文对应的章节。

按调度线读地图

排程室视角下，一次完整的训练要经过五段：数据进来、模型算前向、梯度回传、参数更新、过程被观测。TensorFlow 的子模块就是按这五段分的工位：

import tensorflow as tf

# 用一段代码把五个工位串起来，体会各模块在链路上的位置
dataset = tf.data.Dataset.from_tensor_slices(tf.range(8)).batch(4)  # tf.data：上料

model = tf.keras.Sequential([tf.keras.layers.Dense(1)])             # tf.keras：建模
model.compile(optimizer="sgd", loss="mse")                          # 训练配置

x = tf.random.normal([8, 3])
y = tf.random.normal([8, 1])
model.fit(x, y, epochs=1, verbose=0)
# fit 内部：tf.function 编译训练步，GradientTape 求导，优化器写变量
# 也可以直接喂数据集：model.fit(dataset, y, epochs=1)
print("trained, weights:", model.trainable_weights[0].shape)
# 输出：trained, weights: (3, 1)
​

这段代码不求实用，只求让你看见：五个工位在一行流水里各就各位。后面六章就是把每个工位放大细讲。

图 7 模块地图：五段调度线与承包工位

版本脉络：为什么 2.x 长这样

1.x（2017 前后）的执行模型是纯图模式：先声明 placeholder 搭图，再开 tf.Session，用 feed_dict 喂数据。这个模型对静态图优化友好，但写法反直觉、调试必须进 Session。2.x（2019 起）做了三件结构性的事：默认 Eager 执行，写一行跑一行；tf.keras 升为官方高级 API，把建模训练收拢成 compile-fit 两条命令；Session 与 placeholder 退场，图模式改为按需 tf.function 编译。三者合起来的效果是：入门路径与生产路径统一了——同一份 Keras 代码，调试时是 Eager，fit 内部自动转图。

对照表帮你在旧代码面前不慌：

# 一段典型的 1.x 风格代码骨架（仅供识别，2.x 已不可运行）：
# x = tf.placeholder(tf.float32, [None, 3])       # 占位符搭图
# y = tf.placeholder(tf.float32, [None, 1])
# pred = tf.layers.dense(x, 1)                    # 旧层 API
# loss = tf.reduce_mean(tf.square(y - pred))
# opt = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# with tf.Session() as sess:                      # 开会话执行
#     sess.run(tf.global_variables_initializer())
#     sess.run(opt, feed_dict={x: ..., y: ...})

# 等价的 2.x 写法，语义一致而篇幅减半：
x = tf.random.normal([100, 3])
y = tf.random.normal([100, 1])
pred = tf.keras.layers.Dense(1)(x)
loss = tf.reduce_mean(tf.square(y - pred))
print(float(loss))
# 输出示例：1.7320508（随机数据，数值不定）
​

迁移的心法只有一句：1.x 的"先搭图再开会话"翻译成 2.x 的"函数即图"——把搭图代码搬进函数体，加不加 @tf.function 决定它跑在哪种模式。

定位你后面的学习路径

三个维度帮你把需求映射到章节。数据规模：单机内存装得下，用 2.2 节的内存上料；装不下或格式是记录流，用 2.3 节的 TFRecord。模型来源：从零训练走第 3、4 章；有预训练模型，走 6.2 节的 Hub 加载。部署目标：服务器 API 服务走 5.3 节 Serving 线，端侧走 Lite 线，浏览器走 tfjs 线。这张地图建议打印贴在手边——后面六章每翻开一节，先在地图上找到它的工位再往下读。

⚠️ 常见坑：混装 1.x 与 2.x 的写法是迁移期事故重灾区。识别标志有四个词：Session、placeholder、feed_dict、estimator，见到任何一个就要先问版本。

💡 关键直觉：子模块不是按"功能分类"随手切的，是按数据流五段切的。记住五段顺序——上料、前向、编译、求导、更新——模块名就再也不会记混。

本节要点回顾

• 五段调度线：上料、前向、编译求导、更新、观测，每段有专属模块承包。
• 2.x 三件事：默认 Eager、Keras 官方化、Session 退场，入门与生产路径合一。
• 迁移心法：函数即图，旧搭图代码搬进函数体即可等价改写。
• 四个版本哨兵：Session、placeholder、feed_dict、estimator，见词先问版本。
• 三维度定位：数据规模、模型来源、部署目标，直接映射到后续章节。

第 1 章到站。第 2 章进入第一座车间——数据管道。