静态图（ Tensorflow ）
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，中间是不能够改变它的计算图的，且定义静态图时需要使用新的特殊语法，这也意味着图设定时 无法使用if、while等结构，而是需要特殊的由框架专门设计的语法 （例如无法使用while，所以需要使用辅助函数 tf.while_loop 写成 TensorFlow 内部的形式 ）， 在构建图时，我们需要考虑到所有的情况（即各个if分支图结构必须全部在图中，即使不一定会在每一次运行时使用到），使得静态图异常庞大占用过多显存。
summary：占据的显存大，由于一次性构建了全部的计算图所以运行速度快；
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（这就是静态二字的来源），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
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)
输出：
20
20
动态图（Pytorch）
而在 PyTorch 中，它兼容python的各种逻辑控制语法， 每次都会重新构建一个新的计算图。
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。
summary：占据的显存小，易调试（debug），但是由于需要重新构建该分支的计算图所以运行速度慢；
PyTorch 的动态图机制，这使得我们能够使用 Python 的 while 写循环，非常方便。
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)
输出：
tensor([20.])
tensor([20.])
Original: https://blog.csdn.net/weixin_43135178/article/details/118354283
Author: 马鹏森
Title: 【PyTorch】静态图与动态图机制
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/520837/
转载文章受原作者版权保护。转载请注明原作者出处！