从零开始认识深度学习工具：TensorFlow vs PyTorch

赛卡

已于 2025-05-14 12:56:47 修改

阅读量2.2k

点赞数 32

分类专栏：青少年AI入门文章标签：深度学习 tensorflow pytorch matplotlib

于 2025-05-09 14:45:00 首次发布

本文链接：https://blog.csdn.net/SiArch/article/details/147723432

版权

青少年AI入门专栏收录该内容

5 篇文章

订阅专栏

从零开始认识深度学习工具：TensorFlow vs PyTorch

🌟 学习前的知识准备

什么是深度学习？

深度学习就像教电脑从经验中学习。就像你通过反复练习学会骑自行车一样，计算机会通过大量数据自动发现规律。例如：

识别照片中的动物（图像识别）
把语音转成文字（语音识别）
自动翻译不同语言（自然语言处理）

为什么需要工具框架？

想象你要搭建乐高城堡，有两种选择：

自己烧制每一块积木（相当于从零开始写数学计算代码）
使用现成的乐高套装（使用深度学习框架）

TensorFlow和PyTorch就是两种不同的"乐高套装"，它们都提供了：

预先制作好的积木块（神经网络组件）
组装说明书（自动求导功能）
质量检验工具（模型训练监控）

🧩 两大工具的特点对比

1. TensorFlow：工业级工具箱

开发者：Google（2015年发布）
适合场景：就像工厂生产线，适合大规模生产
特色功能：
- 静态计算图（提前规划好所有步骤）
- 支持手机/网页部署
- 可视化工具完善

2. PyTorch：实验室专用工具包

开发者：Facebook/Meta（2016年发布）
适合场景：就像科学实验，适合快速尝试新想法
特色功能：
- 动态计算图（边做边调整）
- 调试方便
- 学术研究常用

功能对比	TensorFlow	PyTorch
计算图类型	静态（先画设计图）	动态（边做边设计）
调试难度	需要专业工具	使用普通Python调试
部署能力	★★★★★	★★★☆☆
适合人群	工程师/产品开发	学生/研究人员
流行领域	企业应用	学术论文

🎮 动态图 vs 静态图直观理解

动态计算图（PyTorch）

就像搭积木：

放一块红色积木
看看效果
决定下一块放哪里

静态计算图（TensorFlow）

就像建筑图纸：

先画好整个大楼设计图
严格按照图纸施工
不能中途修改结构

💻 手把手体验：数字识别实战

准备工作

安装工具包：

# TensorFlow
pip install tensorflow

# PyTorch
pip install torch torchvision

数据集：MNIST手写数字库（包含6万张28x28像素图片）

代码对比（关键步骤讲解）

TensorFlow版

# 就像搭积木一样堆叠网络层
model = tf.keras.Sequential([
    tf.keras.layers.Flatten(input_shape=(28, 28)),  # 展平图片
    tf.keras.layers.Dense(128, activation='relu'),  # 全连接层
    tf.keras.layers.Dense(10)  # 输出10个数字的概率
])

# 配置学习参数
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

# 开始训练（就像老师批改作业）
history = model.fit(x_train, y_train, epochs=5)

PyTorch版

# 定义网络结构（更像写作文）
class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 128)  # 输入784像素
        self.fc2 = nn.Linear(128, 10)   # 输出10个类别

    def forward(self, x):
        x = torch.relu(self.fc1(x))  # 激活函数
        return torch.log_softmax(x, dim=1)

# 训练过程需要手动写循环
for epoch in range(5):
    for data, target in train_loader:
        optimizer.zero_grad()  # 清空上次梯度
        output = model(data)   # 前向传播
        loss = criterion(output, target)  # 计算误差
        loss.backward()        # 反向传播
        optimizer.step()       # 更新参数