附录 · 由现象回到源码的实验清单
用最小实验验证 eager、trace、tape、data 和部署的心智模型
实验 1：Eager 与 Graph 的调用次数
给函数加 Python print 和 tf.print，分别在多种 shape 下调用。Python print 主要反映 trace time，tf.print 会作为图中的执行节点；对照 f.experimental_get_tracing_count() 观察缓存行为。
实验 2：设备与同步
打开 tf.debugging.set_log_device_placement(True)，在 CPU/GPU context 下执行一个矩阵乘法，最后分别在不调用 .numpy() 与调用 .numpy() 的情况下测时间。实验目标是确认提交、执行完成与结果回到 Python 是不同边界。
实验 3：梯度记录
用 persistent/non-persistent tape、显式 tape.watch 与变量自动 watch 组合测试。然后把梯度计算包进另一个 tape，观察高阶梯度为什么需要保存更多中间状态。
实验 4：输入管线
为 Dataset 的 map 函数加入 sleep，比较串行、num_parallel_calls、prefetch 和 batch 的组合。用 profiler 将生产线程、GetNext 等待和 device kernel 放在同一时间线上。
实验 5：保存与加载
导出带 input_signature 的 tf.function，检查 SavedModel 的 signatures 和 concrete functions；再用 TFLite converter 转换，并按 builder → allocate → invoke 三段排查。
这些实验的共同目标，是把“API 看起来做了什么”改成“哪一个对象在什么时间、哪个线程、哪个设备上拥有控制权”。