Loan Database

虽然大多数 Python 代码都是命令式的，但在这个 NumPy 示例中，我们编写了四行代码来最终计算 D 的值。当程序执行 C 等于 V 乘以 A 时，它会按照您指示的方式运行实际计算。相比之下，在符号程序中，定义计算图和编译计算图之间存在明显的分离。
，那么当执行 C 等于 E 乘以 A 时，该行不会发生任何计算。相反，这些操作会生成一个计算或符号图，然后我们可以将该图转换为可以在编译步骤中调用的函数。因此，计算是代码中的最后一步。旧样式有其权衡之处，符号程序效率更高，因为您可以安全地重用值的内存进行就地计算。

TensorFlow 是使用符号程序设计的。命令式程序更灵活，因为 Python 最适合它们，因此您可以使用原生 Python 功能，例如在计算过程中打印出值以及将循环注入计算流程本身。


PyTorch 与 Google Tensor Flow – Almost Human [第二轮]
PyTorch 的第二个关键特性 香港电讯流动电话号码列表 是动态计算图，而不是静态计算图。换句话说，PyTorch 由“运行”定义，因此在运行时，系统会生成图结构。

TensorFlow 是“定义并运行”的，我们在图形结构中定义条件和迭代。这就像在运行之前编写整个程序，因此自由度是有限的。因此，我们定义一次计算图，然后就可以多次执行同一个图。这样做的好处是，我们可以在开始时优化图形。假设在我们的模型中，我们想要使用某种策略将图形分布在多台机器上。

通过重复使用相同的图，可以减少这种计算成本高昂的优化。静态图适用于固定大小的神经网络，如前馈网络或卷积网络，但对于很多用例来说，如果图结构可以根据输入数据而变化，比如使用循环神经网络时，那将非常有用。