神经网络——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。

静态图和动态图有各自的优点。动态图比较方便DEBUG，使用者能够使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。

 

import torch
from torch.autograd import Variable

x=Variable(torch.randn(1,10))
prev_h=Variable(torch.randn(1,20))
W_h=Variable(torch.randn(20,20))
W_x=Variable(torch.randn(20,10))

i2h=torch.mm(W_x,x.t())
h2h=torch.mm(W_h,prev_h.t())

比较while循环语句在TensorFlow和PyTorch中的定义

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需要将整个图构成静态的，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内部形式。

 

PyTorch

import torch
first_counter=torch.Tensor([0])
second_counter=torch.Tensor([10])

while(first_counter<second_counter):
    first_counter+=2
    second_counter+=1

print(first_counter)
print(second_counter)

可以看到PyTorch的写法和Python的写法是完全一致的，没有任何额外的学习成本。

动态图的方式更加简单且直观。