了解 TensorFlow 如何执行操作是编写高效和可扩展代码的根本。尽管 TensorFlow 2 默认使用即时执行（像 Python 一样命令式地运行操作），但创建和优化静态计算图对于获得高性能和支持部署仍然非常重要。本章将讲解这种相互关系。

你将学习到：

• 即时执行与图执行之间的区别和权衡。
• tf.function 如何使用 AutoGraph 将 Python 代码转换为优化过的 TensorFlow 图。
• 函数追踪的机制以及 TensorFlow 如何在内部表示计算。
• 在图中实现控制流（例如，条件语句、循环）。
• 使用 tf.GradientTape 进行自动微分，它是梯度下降训练（如 $L = \sum (y_{pred} - y_{true})^2$）的驱动力。
• TensorFlow 程序的基本资源管理考量和调试技术。

掌握这些执行细节将为后续性能调优、分布式训练和自定义组件开发提供所需的支持。