好问题。确实，至少有3种方法来处理与TFF一起使用的TensorFlow代码的组成，每种方法各有优点。

1. 推荐使用TensorFlow的合成机制（defuns），前提是它适用于您的特定情况。TensorFlow已经拥有用于编写代码的机制，我们不想重新发明轮子。我们在TFF（@ tff.tf_computation）中创建了自己的合成机制的原因是为了应对特定的限制（例如，在TF的接口级别上缺乏对数据集的支持，以及TF组件需要与之互操作的原因） TFF的其余部分），那么我们最好将这种机制的使用限制在真正需要它的情况下。

如果可能，请使用@ tf.function装饰TensorFlow组件，然后将整个TensorFlow块仅在顶层包装为@
tff.tf_computation，然后再将其嵌入@
tff.federated_computation。它的众多好处之一是，它允许您使用标准的TensorFlow工具测试TFF之外的组件。

因此，鼓励并首选以下内容：

# here using TensorFlow's compositional mechanism (defuns)
# rather than TFF's to decorate "foo"
@tf.function(...)
def foo(...):
  ...

@tff.tf_computation(...)
def bar(...):
  # here relying on TensorFlow to embed "foo" as a component of "bar"
  ...foo(...)...

1. 使用Python的组合机制（普通的未经修饰的Python函数）也是一个不错的选择，尽管它不如（1）更好，因为当TFF遍历所有TFF时，它只会使一个代码体在定义时嵌入到另一代码体中修饰的Python函数可构造要执行的计算的序列化表示形式，而不会给您带来孤立或任何其他特殊好处。

您可能仍希望使用此模式来在TFF之外或在（1）或（3）都不起作用的情况下对组件进行测试。

因此，如果（1）不起作用，以下是您应首先考虑的替代方法：

# here composing things in Python, no special TF or TFF mechanism employed
def foo(...):
  # keep in mind that in this case, "foo" can access and tamper with
  # the internal state of "bar" - you get no isolation benefits
  ...

@tff.tf_computation(...)
def bar(...):
  # here effectively just executing "foo" within "bar" at the
  # time "bar" is traced
  ...foo(...)...

1. 不建议使用TFF的合成机制（@ tff.tf_computation），除非-如上所述-在需要它的情况下，例如TensorFlow组件需要接受数据集作为参数，或者仅将其调用时来自@ tff.federated_computation。请记住，TFF对数据集作为参数的支持仍处于试验阶段，尽管在某些情况下它可能是唯一的解决方案，但您仍然可能会遇到问题。您可以期望实现会不断发展。

不鼓励使用（尽管当前有时有必要）：

# here using TFF's compositional mechanism
@tff.tf_computation(...)
def foo(...):
  # here you do get isolation benefits - "foo" is traced and
  # serialized by TFF, but you can expect that e.g., some
  # tf.data.Dataset features won't work
  ...

@tff.tf_computation(...)
def bar(...):
  # here relying on TFF to embed "foo" within "bar"
  ...foo(...)...