传递不同的python参数会触发跟踪
与其他TensorFlow操作不同，不会将python数值输入转换为tensor
传递 不同的 python参数，会触发跟踪，并且创建图（下面介绍），消耗资源
@tf.function
def f(a):
print("print()::",a)
tf.print("tf.print()::",a)
第一次调用，会触发跟踪
执行下面代码：
f(1)
结果如下：
print():: 1
tf.print():: 1
执行了print("print()::",a)语句，说明触发跟踪
再次调用，传递相同的python参数
再次执行
f(1)
结果如下：
tf.print():: 1
没有执行print("print()::",a)语句，说明：传递相同的python参数，不会跟踪
再次调用，传递不相同的python参数
再次执行
f(2)
结果如下：
print():: 2
tf.print():: 2
传递不同的python参数，会触发跟踪
跟踪函数后，会创建图
跟踪 函数后，TensorFlow在后台会 创建图
通过函数名.get_concrete_function(参数).graph获取图
例子：
f.get_concrete_function(1).graph
表示调用函数f()，并传递参数1，然后获取该函数的图
传递相同的python参数，获取图
执行下面代码
print(f.get_concrete_function(1).graph)
print(f.get_concrete_function(2).graph)
结果如下：
FuncGraph(name=f, id=5187505424)
FuncGraph(name=f, id=5184343952)
从id可知，这是2个图，传递1时创建一个图，传递2时创建另一个图
注意：
没有执行
print("print()::",a)语句，说明没有跟踪，也就没有创建新的图。因为在上面调用函数f(1)和f(2)了此时不会执行
tf.print("tf.print()::",a)语句
传递不同的python参数，获取图
执行下面代码
print(f.get_concrete_function(10).graph)
print(f.get_concrete_function(20).graph)
结果如下：
print():: 10
FuncGraph(name=f, id=5066969936)
print():: 20
FuncGraph(name=f, id=5067122256)
2次调用，都执行了print("print()::",a)语句，说明传递10时创建一个图，传递20时创建另一个图。
2个图的id不相同，确实是创建2个图
总结
由于传递 不同 的python参数会 触发跟踪，TensorFlow在后台会 创建图，也就意味着 消耗资源。
这种消耗资源是没有必要的，所以尽量不要传递python参数，而是传递tensor张量
传递python参数的应用场景
仅当Python数值参数采用很少的不同值（例如超参数（如神经网络中的层数））时才应使用。