码，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图或符号图，然后我们可以将该图转换为可在编译步骤调用的函数。因此，计算是代码的最后一步。旧式程序有其优缺点，符号式程序更高效，因为你可以安全地重用存储值的内存进行就地计算。
TensorFlow 的设计初衷是使用符号式程序 賭博數據 。命令式程序更加灵活，因为 Python 最适合这类程序，因此您可以使用 Python 的原生功能，例如在计算过程中打印值，以及在计算流本身中注入循环。
PyTorch 对比 Google Tensor Flow – Almost Human [第二轮]
PyTorch 的第二个关键特性是动态计算图，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 SDR 每天做什么？ 图结构中定义条件和迭代。这就像在运行之前编写整个程序，因此自由度受到限制。因此，我们只需定义一次计算图，就可以多次执行同一个图。这样做的好处在于，我们可以在开始时优化图。假设在我们的模型中，我们想要使用某种策略将图分布到多台机器上。
通过重用相同的图可以减少这种计算成本高昂的优化。静态图对于大小固定的神经网络（例如前馈网络或卷积网络）效果很好，但对于很多用例来说，如 线数据库果图结构能够根据输入数据进行变化（例如使用循环神经网络时），将会非常有用。