PyTorch学习:动态图和静态图的例子_Python

PyTorch学习:动态图和静态图的例子

2020-05-07 10:45有点方 Python

今天小编就为大家分享一篇PyTorch学习:动态图和静态图的例子，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

动态图和静态图

目前神经网络框架分为静态图框架和动态图框架，PyTorch 和 TensorFlow、Caffe 等框架最大的区别就是他们拥有不同的计算图表现形式。 TensorFlow 使用静态图，这意味着我们先定义计算图，然后不断使用它，而在 PyTorch 中，每次都会重新构建一个新的计算图。通过这次课程，我们会了解静态图和动态图之间的优缺点。

对于使用者来说，两种形式的计算图有着非常大的区别，同时静态图和动态图都有他们各自的优点，比如动态图比较方便debug，使用者能够用任何他们喜欢的方式进行debug，同时非常直观，而静态图是通过先定义后运行的方式，之后再次运行的时候就不再需要重新构建计算图，所以速度会比动态图更快。

									# tensorflow

									import tensorflow as tf

									first_counter = tf.constant(0)

									second_counter = tf.constant(10)

									# tensorflow

									import tensorflow as tf

									first_counter = tf.constant(0)

									second_counter = tf.constant(10)

									def cond(first_counter, second_counter, *args):

									  return first_counter < second_counter

									def body(first_counter, second_counter):

									  first_counter = tf.add(first_counter, 2)

									  second_counter = tf.add(second_counter, 1)

									  return first_counter, second_counter

									c1, 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 需要将整个图构建成静态的，换句话说，每次运行的时候图都是一样的，是不能够改变的，所以不能直接使用 Python 的 while 循环语句，需要使用辅助函数 tf.while_loop 写成 TensorFlow 内部的形式

									# pytorch

									import torch

									first_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)