Tensor与tf.Tensor的区别：TensorFlow中两种张量显示及行为差异疑问

一、两种打印输出的本质差异 #

• 第一种Tensor("x/PlaceholderWithDefault:0", shape=(), dtype=int32)是计算图中的符号张量：
  它属于TensorFlow的静态图模式（TF1.x默认，TF2.x中用tf.function装饰的函数内部也会生成），本身不存储实际数值，只是计算图里的一个节点标识，记录了张量的名称、形状和数据类型，用来描述计算逻辑的结构，此时还没有执行实际计算。

• 第二种tf.Tensor(0, shape=(), dtype=int32)是带实际值的Eager张量：
  这是TF2.x默认的即时执行（Eager Execution）模式下的产物，定义时就会立即完成计算，直接持有具体的数值，打印时会展示实际值，这类张量可以直接参与运算、查看数值，无需先构建图再运行会话。

二、Tensor与tf.Tensor是否为不同对象？ #

二者本质是同一个类，只是不同模式下的打印格式不同。静态图模式下，张量对象的字符串表示（__repr__方法）会输出节点名称相关信息；而Eager模式下，会输出实际值并加上tf.Tensor前缀，看起来像是不同的标识，但底层是同一个类的实例。

三、显示与行为差异的原因 #

核心在于TensorFlow的两种执行模式：

• 静态图模式：先构建完整的计算流程（符号张量组成的图），再通过会话统一运行，这种模式适合模型部署和性能优化，但调试时无法直接看到数值，只能看到节点信息。
• Eager模式：定义张量或操作时立即执行计算，实时返回带值的张量，方便开发阶段调试，能直接查看结果，这也是TF2.x默认启用该模式的原因。

内容的提问来源于stack exchange，提问作者figbar