tf.py_function是否仅适用于Eager模式，无法在Graph模式中使用？

根据官方文档描述，初看会觉得tf.py_function仅适用于Eager模式，文档相关描述如下：

将Python函数包装为会以即时执行方式运行的TensorFlow操作。
该函数允许将TensorFlow图中的计算以Python函数形式表达。具体而言，它会将Python函数func包装为一个可求一次导的TensorFlow操作，并在启用即时执行的情况下运行该函数。
你也可以使用tf.py_function通过Python工具在运行时调试模型，即可以隔离想要调试的代码片段，将其包装为Python函数，按需插入pdb断点或打印语句，再将这些函数用tf.py_function包装。
调用tf.py_function会获取Python全局解释器锁（GIL），这会导致同一时间仅能有一个线程运行，从而影响程序的高效并行与分布式执行。

你的观点并不完全准确，tf.py_function可以在Graph模式中使用，核心机制如下：

• 在Graph模式下，tf.py_function会被作为特殊节点嵌入计算图中。当图执行到该节点时，TensorFlow会调用Python解释器运行你封装的Python函数，此时确实会触发GIL，影响并行效率。
• 关于pdb调试：正因为执行到该节点时会切换到Python解释器环境，所以你插入的pdb断点、打印语句都能正常生效，这也验证了它在Graph模式下的可用性。
• 文档中“将TensorFlow图中的计算以Python函数形式表达”的描述，本质就是在说明它可以作为图的一部分存在，只是执行逻辑依赖Python环境。

内容的提问来源于stack exchange，提问作者mon