sess:

x = tf.placeholder(tf.float32)

y = x * 2

print(sess.run(y, feed_dict={x: 3.0}))  输出6.0

```

这种静态图模式（TF2.0已支持动态图）特别适合：

- 移动端/嵌入式部署

- 分布式训练场景

- 需要优化推理速度的生产环境

（曾用TF Lite把一个图像分类模型压缩到3MB，部署到安卓机上效果拔群）

 1.2 PyTorch：研究者的最爱

PyTorch的前身Torch是Lua写的，2017年Facebook推出PyTorch后迅速走红。我最欣赏它的"Pythonic"设计：

```python

 典型的PyTorch代码

import torch

x = torch.tensor([3.0], requires_grad=True)

y = x * 2

y.backward()

print(x.grad)  输出tensor([2.])

```

优势场景：

- 学术论文复现（90%的新算法都提供PyTorch实现）

- 需要动态改变模型结构的实验

- 快速原型开发

（去年复现Transformer时，用PyTorch调试模型结构简直爽到飞起）

 2. 实战对比手册（避坑指南）

 2.1 安装体验

- TensorFlow：`pip install tensorflow`简单，但GPU版要配CUDA环境（新手噩梦）

- PyTorch：官网提供安装命令生成器，选好CUDA版本一键安装

（配环境时建议查看CSDN的高赞教程，很多隐藏坑都有解决方案）

 2.2 Debug难度

- TF的静态图曾经报错信息堪比天书（如著名的"NoneType"错误）

- PyTorch直接打印中间变量，跟调试普通Python代码没区别

 2.3 社区生态

从CSDN的问答数量来看：

- TensorFlow：企业级问题多（部署、优化相关）

- PyTorch：算法实现问题多（怎么改Attention结构等）

 3. 性能实测数据（附测试代码）

在NVIDIA T4显卡上测试同样的ResNet50：

| 指标         | TensorFlow 2.4 | PyTorch 1.8 |

|--------------|----------------|-------------|

| 训练速度(imgs/sec) | 850            | 810         |

| 内存占用(MB)   | 10240          | 11264       |

| 导出模型大小    | 98MB           | 无法直接导出   |

测试代码片段：

```python

 TensorFlow基准测试

model = tf.keras.applications.ResNet50()

 ...省略训练循环...

 PyTorch基准测试

model = torchvision.models.resnet50()

 ...省略训练循环...

```

（注：实际表现会因具体配置有所变化）

 4. 选型建议（血泪经验）

根据我接过十几个外包项目的经验：

- **选TensorFlow**如果：

- 要做移动端部署（TF Lite真香）

- 使用TPU训练（Google Cloud配套支持）

- 项目需要Serving服务（TF Serving很成熟）

- **选PyTorch**如果：

- 在学术机构做研究（方便同行交流）

- 需要频繁修改模型结构（如GAN调参）

- 团队都是Python老手（享受Pythonic编程）

 结语

其实两大框架现在越来越趋同了（TF学PyTorch的动态图，PyTorch在加强部署能力）。建议新手先从PyTorch上手理解原理，工作中根据需要再学TensorFlow。最近还出现了JAX这样的新秀，有空再写评测。

欢迎在评论区分享你的使用体验！（遇到问题的朋友可以贴报错日志，论坛里很多热心大佬）