動態圖和靜態圖

目前神經網絡框架分為靜態圖框架和動態圖框架，PyTorch 和 TensorFlow、Caffe 等框架最大的區別就是他們擁有不同的計算圖表現形式。 TensorFlow 使用靜態圖，這意味著我們先定義計算圖，然后不斷使用它，而在 PyTorch 中，每次都會重新構建一個新的計算圖。通過這次課程，我們會了解靜態圖和動態圖之間的優缺點。

對于使用者來說，兩種形式的計算圖有著非常大的區別，同時靜態圖和動態圖都有他們各自的優點，比如動態圖比較方便debug，使用者能夠用任何他們喜歡的方式進行debug，同時非常直觀，而靜態圖是通過先定義后運行的方式，之后再次運行的時候就不再需要重新構建計算圖，所以速度會比動態圖更快。

# tensorflowimport tensorflow as tffirst_counter = tf.constant(0)second_counter = tf.constant(10)# tensorflowimport tensorflow as tffirst_counter = tf.constant(0)second_counter = tf.constant(10)def cond(first_counter, second_counter, *args):  return first_counter < second_counterdef body(first_counter, second_counter):  first_counter = tf.add(first_counter, 2)  second_counter = tf.add(second_counter, 1)  return first_counter, second_counterc1, c2 = tf.while_loop(cond, body, [first_counter, second_counter])with tf.Session() as sess:  counter_1_res, counter_2_res = sess.run([c1, c2])print(counter_1_res)print(counter_2_res)

可以看到 TensorFlow 需要將整個圖構建成靜態的，換句話說，每次運行的時候圖都是一樣的，是不能夠改變的，所以不能直接使用 Python 的 while 循環語句，需要使用輔助函數 tf.while_loop 寫成 TensorFlow 內部的形式

# pytorchimport torchfirst_counter = torch.Tensor([0])second_counter = torch.Tensor([10]) while (first_counter < second_counter)[0]:  first_counter += 2  second_counter += 1 print(first_counter)print(second_counter)

可以看到 PyTorch 的寫法跟 Python 的寫法是完全一致的，沒有任何額外的學習成本

以上這篇PyTorch學習:動態圖和靜態圖的例子就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林網之家。