当我学习张量流时，张量流的一个基本概念是计算图，并且图表被认为是静态的。 我在Pytorch发现这些图表是动态的。 Pytorch中张量流和动态计算图中静态计算图的区别是什么？
答案 0 :(得分：14)
两个框架都在张量上运行，并将任何模型视为有向无环图（DAG），但它们在如何定义它们方面存在很大差异。
TensorFlow跟随'数据代码和代码是数据'成语。在TensorFlow中，您可以在模型运行之前静态定义图形。与外部世界的所有通信都是通过tf.Session对象和tf.Placeholder执行的，这些是在运行时将被外部数据替换的张量。
在PyTorch中，事情更具有必要性和动态性：您可以随时定义，更改和执行节点，无需特殊的会话接口或占位符。总体而言，该框架与Python语言更紧密地集成在一起，并且在大多数时候感觉更加原生。当您在TensorFlow中书写时，有时您会觉得您的模型位于砖墙后面，并且有几个小孔可以进行通信。无论如何，这仍然听起来像或多或少的味道。
然而，这些方法不仅在软件工程方面有所不同：有一些动态神经网络架构可以从动态方法中受益。召回RNN：使用静态图，输入序列长度将保持不变。这意味着如果您为英语句子开发情感分析模型，则必须将句子长度固定为某个最大值，并用零填充所有较小的序列。不太方便，呵呵。并且您将在递归RNN和树RNN的领域中遇到更多问题。目前，Tensorflow通过Tensorflow Fold对动态输入的支持有限。 PyTorch默认使用它。
参考：
https://medium.com/towards-data-science/pytorch-vs-tensorflow-spotting-the-difference-25c75777377b
答案 1 :(得分：6)
TensorFlow和PyTorch都允许在任何时间点指定新计算。但是，TensorFlow有一个“编译”步骤，每次修改图形时都会导致性能下降。因此，当您指定计算一次，然后通过相同的计算序列流动新数据时，就可以实现TensorFlow的最佳性能。
它类似于解释器与编译器 - 编译步骤使事情变得更快，但也阻止人们过于频繁地修改程序。
为了具体化，当您在TensorFlow中修改图形时（通过使用常规API附加新计算，或使用tf.contrib.graph_editor删除某些计算），此行将在session.py中触发。它将序列化图形，然后底层运行时将重新运行一些可能需要额外时间的优化，可能是200usec。相反，在先前定义的图形或numpy / PyTorch中运行op可以低至1 usec。
答案 2 :(得分：1)
在张量流中，您首先必须定义图形，然后执行它。 一旦定义，您的图形就是不可变的：您无法在运行时添加/删除节点。
在pytorch中，您可以在运行时更改图形的结构：您可以在运行时添加/删除节点，动态更改其结构。