目录
- 1.动态图和静态图
-
- [1.1 tensorflow是静态图](#1.1 tensorflow是静态图)
- [1.2 pytorch动态图](#1.2 pytorch动态图)
- [2. 易用性](#2. 易用性)
- [3. 编程语言](#3. 编程语言)
- [4. 性能和扩展性](#4. 性能和扩展性)
- [5. 社区支持和生态系统](#5. 社区支持和生态系统)
1.动态图和静态图
1.1 tensorflow是静态图
如上图：
- 定义计算图（公式，包括定义变量x,y ,z=x*y）
- 给公式喂输入
- run（执行计算图，我们很难知道run的中间过程）
1.2 pytorch动态图
代码有些模糊， 是从视频上截取下来，从右侧的图可以看出每步中间过程都是比较清晰的，更便于调试。
总结：PyTorch采用动态图，允许开发者在运行时进行灵活的模型调整和调试
tensorflow采用静态图，要先定义计算图，然后再执行，执行过程中不能对图进行修改，中间过程也很难调试。
2. 易用性
PyTorch的API设计简洁明了，易于学习和使用，比较适合初学者。
3. 编程语言
PyTorch使用Python作为主要编程语言，而TensorFlow支持多种编程语言，包括Python、C++和Java等。如果你熟悉Python，PyTorch可能更容易上手；如果你需要与其他语言进行集成，TensorFlow可能更适合。
4. 性能和扩展性
TensorFlow在性能方面具有优势，尤其适用于大规模的训练和推理任务。它还提供了丰富的扩展库和工具，满足各种复杂场景下的需求。
5. 社区支持和生态系统
PyTorch拥有庞大的社区，提供了丰富的教程和示例代码，适合快速学习和实验。TensorFlow拥有强大的工具和库，适合于工业应用和大规模部署。