避免使用TensorFlow会话扩展，可以使用TensorFlow 2.x版本中的Eager Execution来替代。Eager Execution是TensorFlow 2.x中的一个重要特性，它允许我们在Python中动态地执行TensorFlow操作，而不需要显示地创建和管理会话。

下面是一个示例代码，展示了如何使用Eager Execution来替代使用会话扩展的方式：

import tensorflow as tf

# 在TensorFlow 2.x中，Eager Execution是默认启用的，不需要额外的设置

# 定义输入数据
x = tf.constant([1, 2, 3, 4, 5], dtype=tf.float32)
y = tf.constant([2, 4, 6, 8, 10], dtype=tf.float32)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(units=1, input_shape=[1])
])

# 定义损失函数
loss_object = tf.keras.losses.MeanSquaredError()

# 定义优化器
optimizer = tf.keras.optimizers.SGD(learning_rate=0.01)

# 定义训练步骤
@tf.function
def train_step(inputs, labels):
    with tf.GradientTape() as tape:
        predictions = model(inputs)
        loss = loss_object(labels, predictions)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    return loss

# 训练模型
for epoch in range(100):
    loss = train_step(x, y)
    print('Epoch {}: Loss = {}'.format(epoch+1, loss.numpy()))

# 使用训练好的模型进行预测
x_test = tf.constant([6, 7, 8, 9, 10], dtype=tf.float32)
predictions = model(x_test)
print('Predictions:', predictions.numpy())

在上述代码中，我们使用了tf.function装饰器将train_step函数转换为TensorFlow的图执行模式，这使得训练过程可以高效地执行。使用Eager Execution，我们可以直接在Python中执行TensorFlow操作，并且不需要显式地创建和管理会话。

同时，我们使用了tf.GradientTape来记录前向传播过程中的操作，以便计算梯度并更新模型参数。

最后，我们使用训练好的模型进行了预测，得到了预测结果。

总之，通过使用Eager Execution，我们可以避免使用TensorFlow会话扩展，并且可以更加灵活地执行TensorFlow操作。