PyTorch 和 TensorFlow 是深度学习方向绕不开的两个主流框架也是简历和面试里最容易暴露掌握程度的两个关键词。不少人花了一两周时间装环境最后只在 notebook 里跑过官方示例项目一深就不知道底层发生了什么。这篇文章按我实际使用的顺序来写先看核心架构差异再对比环境搭建然后用同一个图像分类任务把两套代码各写一遍最后落到模型保存、部署和面试表达上。看完你应该能回答一个很常见的问题做深度学习项目时到底该选 PyTorch 还是 TensorFlow。1. 选框架之前先想清楚是为了研究、工程还是求职1.1 面试官真正想听的不是“我用过”而是“为什么用它”我参与过技术面试。简历里写“熟悉 PyTorch”的候选人很多但连续追问三个问题后能答上来的比例并不高。这三个问题通常是动态图和静态图的区别是什么你训练完的模型是怎么保存和加载的如果训练时显存溢出你会先排查哪些东西很多人只跑过model.fit只会在 Jupyter 里看 loss 下降遇到框架报错就搜一下复制粘贴。这样的项目经历写进简历基本等于给面试官递了一个追问的入口。框架本身不是核心竞争力竞争力是你能否用框架解决一个完整问题并且说清楚为什么这么用。1.2 PyTorch 和 TensorFlow 的实际分工学术、工业、存量项目PyTorch 的优点是写起来像普通 Python适合做研究原型。很多论文代码和开源项目默认就是 PyTorch社区迭代速度快新模型出来后复现也快。TensorFlow 的优势在端到端工程链路Keras 高层接口、SavedModel、TensorFlow Serving、TFLite 这些工具在传统企业的上线场景里仍然常见。2024 年前后的社区讨论里经常看到“TensorFlow 是不是没落了”这类话题。如果只看 GitHub 热门论文复现PyTorch 的占比确实高但如果去看企业招聘 JDTensorFlow 相关岗位也没有消失很多是存量系统维护和模型部署需求。所以选型不是“哪个好哪个坏”而是你的目标场景决定先学哪个。2. 核心架构差异动态图、静态图和自动求导到底在讲什么2.1 动态图边执行边构图PyTorch 的调试体验从哪来在 PyTorch 里你写y w * x b的时候程序会立即执行这次乘法并把计算关系记录到一张图上。这就是动态图。因为图是跟着 Python 代码同步构建的所以你可以直接在 forward 里print中间结果可以用普通的 Pythonif做分支可以用break退出循环。调试体验和写普通 Python 脚本几乎没有区别。def forward(self, x): x self.conv1(x) print(after conv1:, x.shape) x torch.relu(x) return x在自定义网络、复杂损失函数、研究型代码里这种透明性非常值钱。这也是为什么学术界和个人研究者更偏爱 PyTorch。2.2 静态图先构图再运行TensorFlow 的老路径和新变化TensorFlow 1.x 时代核心模型是静态图。你先把整张计算图定义好再放到 Session 里执行。好处是框架可以对整张图做调度优化部署时也能直接加载一张稳定图。缺点也很明显调试困难中间想打印一个张量要绕来绕去写起来不像 Python。到了 TensorFlow 2.x默认变成了 Eager 模式也就是动态执行。为了兼顾性能和部署TensorFlow 又提供了tf.function通过 trace 机制把一段 Python 函数转成静态图。tf.function def train_step(x, y): with tf.GradientTape() as tape: preds model(x, trainingTrue) loss loss_fn(y, preds) grads tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables)) return loss所以严格说现在的 TensorFlow 是“原生动态执行 可选静态图优化”而 PyTorch 2.x 也在通过torch.compile往编译优化方向靠拢。2018 年那种“PyTorch 只能动态、TensorFlow 只能静态”的说法已经过时了。2.3 自动求导autograd 和 GradientTape 是同一件事深度学习训练的核心是反向传播而反向传播依赖自动求导。PyTorch 的做法是在前向执行时由 autograd 引擎记录操作历史。只要张量设置requires_gradTrue反向时调用loss.backward()就能得到每个参数的梯度。TensorFlow 的对应工具是tf.GradientTape。在tape上下文里执行的变量操作会被记录下来然后用tape.gradient(loss, model.trainable_variables)拿到梯度。两者的底层数学逻辑是一致的区别在 API 风格和记录机制。理解了这个就不会在换框架时觉得陌生。2.4 数据加载、设备管理和生态对比一张表说清除了计算图两个框架更实际的差异体现在日常开发习惯上。对比项PyTorchTensorFlow / Keras默认执行模式动态图调试直观TF2 默认 Eager可用tf.function转图模型定义继承nn.Module灵活自由Sequential/ 函数式 API结构清晰训练流程自己写循环或套 PyTorch Lightingmodel.fit开箱即用也可写自定义循环数据加载DataLoader 自定义 Datasettf.data.Dataset处理大数据流能力强GPU 设备管理torch.cuda张量手动to(device)tf.config.list_physical_devicesKeras 自动分配模型保存state_dict、ONNX、TorchScriptSavedModel、Keras.keras、TFLite部署生态TorchServe、ONNX Runtime、TensorRTTensorFlow Serving、TF Lite、TF.js社区倾向论文复现、研究、CV/NLP 新模型传统企业、移动端、端到端 ML 平台这张表不是让你选一个阵营而是帮你判断做研究型项目先看第一列做传统工程部署场景先看第二列。3. 环境搭建显卡驱动、CUDA、虚拟环境一个都不能跳3.1 安装前先定四件事很多安装失败的根因不是命令不对而是前置信息没确认。安装前至少确认四件事操作系统Windows、Ubuntu 22.04、Ubuntu 24.04 等显卡型号与驱动版本尤其是 NVIDIA 显卡CUDA 版本和 cuDNN 版本或者官方要求的对应关系Python 版本与虚拟环境工具常见误区是一上来就装“最新版 PyTorch”然后发现 CUDA 版本不匹配。在 NVIDIA 平台上驱动需要支持对应的 CUDA 运行时在 Jetson 这类嵌入式设备上还要根据 JetPack 版本选择对应的 PyTorch 版本不能直接装 PC 版。建议先建一个独立环境避免把系统 Python 弄乱。conda create -n dl_env python3.11 -y conda activate dl_env如果不用 conda也可以用 Python 自带的 venvpython -m venv dl_env source dl_env/bin/activate虚拟环境的作用是隔离依赖。不同项目对 numpy、protobuf、CUDA 工具链的要求可能不一样全装到系统环境里早晚会冲突。3.2 PyTorch 安装和 GPU 验证PyTorch 官方提供安装命令生成器选择系统、包管理器、CUDA 版本后会给出对应命令。这里给一个常见结构示例# 示例命令实际版本号以官网选择器生成的为准 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121装完先做最小验证不要直接跑项目python -c import torch; print(torch.__version__)再验证 CUDA 是否能识别import torch print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) if torch.cuda.is_available(): print(GPU name:, torch.cuda.get_device_name(0)) else: print(当前运行在 CPU 模式)如果cuda.is_available()返回 False先别急着重装按后面 3.4 的排查顺序看一遍。3.3 TensorFlow 安装和 GPU 验证TensorFlow 2.x 的安装比 PyTorch 多一层复杂度GPU 支持需要 CUDA、cuDNN 与 TensorFlow 版本严格对应。官方文档会列出当前版本对应的 CUDA/cuDNN 组合有的版本还需要额外安装 NVIDIA 提供的 pip 包或者使用官方 Docker 镜像。CPU 版本直接安装即可pip install tensorflow验证版本和设备import tensorflow as tf print(TensorFlow version:, tf.__version__) print(GPU devices:, tf.config.list_physical_devices(GPU))如果输出里 GPU 列表为空代表 TensorFlow 没有看到显卡。原因通常是显卡驱动太旧、CUDA/cuDNN 不匹配或者当前安装的是 CPU 版本。3.4 安装失败时按这个顺序排查排查顺序比单独查一个报错更重要。我自己遇到环境问题一般按下面顺序操作先看命令行最后 5 到 10 行报错区分是“包找不到”“版本冲突”还是“CUDA 库加载失败”。确认当前在哪个虚拟环境里。很多人换了终端后环境自动退出导致装错地方。确认python -V、pip -V指向的是同一个环境。如果报 CUDA 相关错误查看nvidia-smi输出的驱动版本再对照框架要求的 CUDA 版本。如果是下载超时或依赖冲突可以尝试换 pip 镜像源但要注意镜像源里的版本可能与官方不完全一致。如果没有明显报错但 GPU 不可用重启终端再检查驱动是否真正加载。注意不要一上来就卸载重装。很多问题只是驱动没加载或者虚拟环境没激活重装反而浪费时间。4. 项目实战同一个 Fashion-MNIST 分类任务两套框架分别怎么跑4.1 为什么推荐用 Fashion-MNIST 而不是 MNIST 做入门项目MNIST 手写数字太简单了随便一个线性模型都能到 90% 以上体现不出卷积、池化、数据增强这些操作的价值。Fashion-MNIST 同样是 28x28 灰度图但衣服、鞋、包这些类别更难区分能让你认真调模型结构。更重要的是这个数据集在 PyTorch 和 TensorFlow 里都有内置下载接口代码可以完全对照。4.2 PyTorch 写法手写训练循环理解每一步PyTorch 的训练流程更透明每一步都要自己写。先定义网络再定义损失函数和优化器最后按批次训练。import torch import torch.nn as nn from torch.utils.data import DataLoader from torchvision import datasets, transforms # 数据预处理转 Tensor 并标准化 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_data datasets.FashionMNIST( root./data, trainTrue, downloadTrue, transformtransform ) train_loader DataLoader(train_data, batch_size64, shuffleTrue, num_workers2) # 定义一个小型 CNN卷积 池化 全连接 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3) self.pool nn.MaxPool2d(2) self.conv2 nn.Conv2d(32, 64, kernel_size3) self.fc1 nn.Linear(64 * 5 * 5, 128) self.fc2 nn.Linear(128, 10) def forward(self, x): x self.pool(torch.relu(self.conv1(x))) x self.pool(torch.relu(self.conv2(x))) x x.view(x.size(0), -1) x torch.relu(self.fc1(x)) return self.fc2(x) model CNN() criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) for epoch in range(3): for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() print(fepoch {epoch 1}, loss {loss.item():.4f})这里有几个关键点MaxPool2d就是池化层用来降低特征图尺寸减少参数数量同时保留主要特征。x.view(x.size(0), -1)把卷积输出拉平成全连接层需要的二维矩阵。optimizer.zero_grad()必须在反向传播前清空旧的梯度否则梯度会累积。如果你在第 4 行前加一个print(x.shape)就能看到每一步的张量尺寸变化。这个调试方式在 TensorFlow 的model.fit里没那么直接。所以研究型项目、需要频繁改网络结构的任务PyTorch 的体验更舒服。4.3 TensorFlow / Keras 写法高层接口更快但要懂 fit 背后的流程TensorFlow 2.x 里最常用的是 Keras 高层 API。同一个模型可以写得很短import tensorflow as tf # 读取数据并做基本预处理 (x_train, y_train), (x_test, y_test) tf.keras.datasets.fashion_mnist.load_data() x_train x_train.reshape(-1, 28, 28, 1).astype(float32) / 255.0 x_train (x_train - 0.5) / 0.5 # 用 Sequential 堆叠网络层 model tf.keras.Sequential([ tf.keras.layers.Conv2D(32, 3, activationrelu, input_shape(28, 28, 1)), tf.keras.layers.MaxPooling2D(2), tf.keras.layers.Conv2D(64, 3, activationrelu), tf.keras.layers.MaxPooling2D(2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(10) ]) model.compile( optimizeradam, losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue), metrics[accuracy], ) model.fit(x_train, y_train, epochs3, batch_size64, validation_split0.1)model.fit把数据遍历、前向计算、梯度更新、指标统计都封装好了。跑起来非常省事适合快速验证想法。不过这里也藏着一个坑如果不理解fit背后的逻辑当你需要自定义 loss、自定义评价指标、换训练策略时就会无从下手。所以就算用 Keras我也建议至少把自定义训练循环写一遍。4.4 两边对比代码量、调试体验和自定义能力维度PyTorchTensorFlow / Keras代码量略多因为训练循环要自己写少fit一步到位调试体验可以直接打印中间张量fit内部不好打断自定义成分离的train_step自定义能力天然适合自定义 loss / model可以自定义但模板感更重适合场景研究、论文复现、复杂网络结构快速验证、标准模型、工程部署如果只是入门Keras 的快速体验更容易建立信心如果目标是看懂论文代码、需要频繁改结构PyTorch 更合适。5. 从 Demo 到像样项目模型保存、批量训练和部署选型5.1 模型保存和加载state_dict vs SavedModel别只 save 一个对象很多人在 PyTorch 里直接torch.save(model, model.pth)Redis 加载时再torch.load。这个做法能跑但不推荐。更稳的做法是保存state_dict也就是参数权重torch.save(model.state_dict(), best_model.pth) # 加载时先建好相同结构再载入权重 model CNN() model.load_state_dict(torch.load(best_model.pth, weights_onlyTrue)) model.eval()这里要注意新版 PyTorch 对torch.load的weights_only默认值做了调整加载外部 checkpoint 时经常会出现相关提示。遇到这种问题不要慌先确认这个 checkpoint 是不是可信来源再考虑怎么安全加载。保存单独权重而不是整个模型对象能减少很多版本兼容问题。TensorFlow 的保存方式更偏向目录。Keras 模型可以保存为.keras文件也可以用 SavedModel 目录导出model.save(my_model.keras) # 导出保存模型目录便于部署 tf.saved_model.save(model, saved_model_dir)SavedModel 是 TensorFlow Serving 和 TFLite 都能读取的标准格式适合走完整部署链路。5.2 批量训练时最容易忽略的四个问题从“跑通一个 epoch”到“能稳定批量训练”中间隔着几个细节。固定随机种子。深度学习里有大量随机因素如果不固定种子两次训练结果无法对比论文里的消融实验也很难复现。保存最优 checkpoint而不是最后一轮。最后一轮不一定泛化最好所以每轮验证集精度上升时就保存一次。记录日志。至少要把每个 epoch 的 loss、准确率、学习率、耗时写出来便于对比参数。设置早停和动态学习率。验证集不提升时停止训练防止过拟合学习率下降时 loss 平台期往往能继续压下去。示例逻辑best_acc 0.0 for epoch in range(epochs): train_loss train_one_epoch() val_acc evaluate() print(fepoch{epoch}, train_loss{train_loss:.4f}, val_acc{val_acc:.4f}) if val_acc best_acc: best_acc val_acc torch.save(model.state_dict(), fbest_epoch_{epoch}.pth)这个套路在批量跑不同参数、不同模型时尤为重要。否则跑一晚上第二天发现没有保存到最好结果只能重跑。5.3 部署选型ONNX、TensorRT、TensorFlow Serving 和 TorchServe模型训练完不等于项目结束。简历里的项目如果只停在 notebook说服力会大打折扣。部署环节的基本选型思路部署路径适用场景主要难点ONNX Runtime跨框架、跨平台导出通用性强某些算子可能不支持需要逐项验证TorchServePyTorch 模型的 HTTP 推理服务需要处理 GPU 推理、并发和监控TensorFlow Serving已有 SavedModel需要稳定高并发 API配置稍重适合企业基础设施TFLite / TF.js移动端、浏览器端需要考虑模型压缩和算子裁剪ONNX 是一个折中方案。两边都能导出 ONNX再用 ONNX Runtime 做推理。缺点是模型里包含自定义算子时导出会报错或部分算子掉到 CPU。做前先导出一个小输入试一遍别用完整模型直接上。注意能导出模型不代表推理结果和训练时完全一致。导出后要用同一批测试样本对比输出差异尤其是数值型任务。5.4 如果项目跨到 NLP / Transformer框架差距会变小“pytorch 实现 transformer”是很多人搜过的关键词。实际上日常 NLP 项目里手写完整 Transformer 的场景并不多更多是用 Hugging Face 的 Transformers 库做预训练模型微调。这个库同时支持 PyTorch 和 TensorFlow 后端代码风格很接近。真正拉开差异的是底层的模型导出、设备管理和生产部署。所以如果你准备做文本分类、实体识别、对话系统这类项目不需要纠结“用哪个框架手写 Attention”重点是跑通数据处理、微调和评估流程。在非 NVIDIA 硬件平台上两个框架也各有适配版本例如面向国产 AI 加速卡、AMD 平台的版本。落地前最好先确认对应框架版本与芯片运行库是否兼容避免买完卡发现驱动层不支持。6. 把框架经验写进简历和讲进面试的实操方法6.1 简历上的能力描述要能被人追问错误的写法熟悉 PyTorch / TensorFlow会搭建深度学习环境跑过图像分类项目这些写法没有任何信息量。改成项目式描述会更稳使用 PyTorch 构建并训练 CNN 图像分类模型完成数据预处理、池化层设计、学习率调整和最优 checkpoint 保存。对比 PyTorch 与 TensorFlow 在动态图/静态图、模型保存和部署链路中的差异完成同一个分类任务的两套实现。使用 TensorFlow SavedModel 导出模型并基于 ONNX Runtime 完成一次本地推理验证。每一行都要能被面试官追问 5 分钟。写上去的每一个词都要能展开讲清楚。6.2 两个框架相关的高频面试题问题回答要点动态图和静态图的区别动态图边执行边建图调试方便静态图先构图再执行便于优化。现在两者互相靠拢。为什么 PyTorch 在学术界更受欢迎代码透明、Python 生态兼容、论文复现快、社区活跃。Keras 的 fit 和 PyTorch 手动训练循环有什么区别fit 封装了数据遍历、梯度更新和指标统计手动循环把每一步暴露出来便于自定义。训练时显存溢出怎么排查先看数据量和 batch size再看模型输入尺寸最后看是否保留过多中间变量小批量多步数是临时方案。DataLoader 和 tf.data 有什么区别DataLoader 以 PyTorch Dataset 为入口适合 Python 自定义tf.data 更强调高性能数据管道适合大规模流式数据。模型过拟合了怎么办增加数据增强、正则化、dropout减少模型容量使用早停。为什么要做归一化让各个特征尺度一致帮助梯度稳定加快收敛。batch size 对训练有什么影响大 batch 梯度更稳定但显存占用高可能降低泛化小 batch 更新频繁训练可能不稳定。回答时不要只背定义尽量带上你项目里的具体参数和实际现象。面试官要的是判断你有没有踩过坑而不是听百科词条。6.3 一套更稳的学习路径我会建议按这个顺序推进而不是一开始就追求“两个框架都会”。先学深度学习基础线性层、激活函数、卷积、池化、损失函数、反向传播。这些和框架无关却是所有问题的根源。选一个框架跑通 Fashion-MNIST 或 CIFAR-10。建议先选 PyTorch因为调试透明容易理解训练流程。把代码改成可复现工程固定随机种子、保存 best checkpoint、记录日志、加入早停。再用 TensorFlow / Keras 把同一个模型写一遍。这一步重点不是“会写”而是对比两边的数据处理、训练封装和保存格式。尝试导出模型用 ONNX Runtime 或本地服务做一次推理。模型能上线才算一个完整项目闭环。如果时间有限优先把一个框架学深另一个做到“看得懂代码、能迁移概念”就够了。最后说句实在的框架只是工具。真正让简历有竞争力的是你能不能把数据、模型、训练、评估、部署这条链路完整讲清楚。两个框架都可以做到这一点但前提是你真的亲手把项目跑完并且知道每一步为什么这么写。