说到入门深度学习框架选型永远是绕不开的第一个问题。2026年了这个问题热度不降反升因为深度学习已经从论文里的实验工具变成了大量普通开发者需要实际使用的技术栈。TensorFlow和PyTorch各自有一批忠实用户网上教程各说各的新手很容易在装环境和选框架上先耗掉两周时间。我的结论比较直接如果你现在才刚开始入门又没有人硬性要求你必须在某个既有工业体系里开发那从PyTorch起步是更顺的选择。原因不是TensorFlow不行而是PyTorch的编程思路更贴近Python本身的写法调试直观社区里新算法、新开源项目的实现也大多先出PyTorch版本。这篇文章会把选型对比、环境搭建、PyTorch核心概念、一个完整的手写数字识别实战、训练加速和排错思路都拆开讲你可以直接照着复现。1. 先回答那个绕不开的问题2026年入门到底选TensorFlow还是PyTorch1.1 为什么这个问题每年都被重新问一遍深度学习的框架选型本质上是一个“现在学什么最划算”的问题。过去十几年里框架格局一直在变。早些年大家还在用Theano、Caffe后来TensorFlow凭借Google的推广和Keras的高层接口迅速占领市场。再后来PyTorch靠着动态图机制和贴近Python的写法在学术研究和开源社区里快速崛起。现在到了2026年两个框架都已经非常成熟功能上互相借鉴了很多。TensorFlow这边有Keras这种对新手极友好的高层接口PyTorch这边也有torch.nn、torchvision等一整套完整组件。所以这个问题每年都在变本质上不是“谁更厉害”而是“你以后要拿它做什么”。如果只看入门时期的体验两个框架都能让你跑通手写数字识别、图像分类、文本分类这类基础项目。真正的差别会在你进入调参、改模型、看源码、复现论文、做部署这几个阶段时显现出来。1.2 我的结论不是谁赢谁输而是看你的场景先给一个可以落地的判断标准。如果你是学生、研究人员、算法工程师或者只是想快速验证一个新想法PyTorch更合适。原因是动态计算图让你可以像写普通Python代码一样打印中间结果、打断点、在循环里改动网络结构调试成本低。而且社区里大部分最新模型的开源实现都是PyTorch格式你拿过来改一改就能用。如果你是做移动端、嵌入式设备、大规模线上服务这类部署场景TensorFlow的老牌生态仍然有优势。TensorFlow Serving、TensorFlow Lite这些工具链经过多年积累在工业界有不少存量项目。如果你进入的企业已经有完整的TensorFlow技术栈那学习TensorFlow是合理的。但需要注意一个趋势PyTorch生态里的部署方案也在快速补齐ONNX、TorchScript等方案让训练和部署之间的转换越来越顺。所以我更建议普通入门者优先考虑PyTorch把模型训练、调参、迁移学习这些基本功打牢后续真遇到部署需求再针对性补TensorFlow的工具链也不迟。1.3 两个框架的核心差异对照这里整理一张表方便你对照自己的情况判断对比项PyTorchTensorFlow编程风格动态图代码贴近Python习惯高层用Keras很简洁深挖会接触图结构调试体验print、断点、中间变量都能直接看需要理解执行模式和计算图概念社区生态论文复现、开源新模型更新更快生产部署、移动端、云服务工具链完整上手难度会Python基础就能写Keras入门简单深入后概念更多部署方案TorchScript、ONNX、服务化框架TF Serving、TensorFlow Lite、TFLite适合人群研究、实验、快速迭代、课程学习存量工业项目、特定部署场景这张表不是绝对的。比如TensorFlow在2.x之后也默认开启Eager执行写起来也接近命令式编程PyTorch也推出了TorchScript来做生产化。框架之间的差距在缩小但“社区生态节奏”和“部署工具链”这两个差异短时间内不会消失。注意入门阶段别太纠结“哪个框架更强大”这个问题的答案会被你的使用场景改写。先选一个能让你少卡壳的跑通完整流程比什么都重要。2. 环境搭建从Python、虚拟环境到GPU驱动的一整套准备2.1 先装好Python和虚拟环境很多初学者一上来就找“安装PyTorch”的教程结果在import torch这一步就卡住。大部分情况不是命令错了而是环境没隔离、Python版本不对、pip和conda混用。我建议先装Miniconda或Anaconda用它来管理Python环境。原因很简单深度学习项目依赖很重不同项目可能需要不同版本的PyTorch、NumPy、CUDA运行时混在一个系统Python里早晚会冲突。用虚拟环境可以把每个项目的依赖隔离开出了问题直接删掉重建不用折腾系统。装完conda之后创建独立环境conda create -n dl_env python3.11 conda activate dl_envPython版本选择上选择一个较新的稳定版本就行。具体到2026年建议使用你安装时官方支持的版本区间不要追最新的大版本也不要死守很旧的版本。PyTorch官方对Python版本有明确支持范围如果版本太新或太旧安装时可能会提示找不到匹配的包。2.2 先检查驱动和CUDA再安装框架不管装PyTorch还是TensorFlow只要你想用GPU就必须先搞清楚三件事显卡型号、驱动版本、CUDA环境。先运行nvidia-smi这个命令会显示你的显卡驱动版本和驱动支持的CUDA版本。这里要特别注意一个常见的误解你不需要在系统里手动安装一个“和驱动完全一致的完整CUDA Toolkit”因为PyTorch和TensorFlow安装包通常会自带配套的CUDA运行时。但安装框架时为什么要选CUDA版本因为框架要调用GPU需要和你的驱动兼容。驱动支持的CUDA版本必须大于等于框架所需版本。最简单的判断方式是看nvidia-smi右上角的CUDA Version只要这个数字不低于框架要求的版本通常就能用。我的建议是打开PyTorch官网首页按照当前页面生成的安装命令来装。官网会根据你的系统、包管理方式、CUDA版本自动生成命令比任何博客里的固定命令都可靠。用conda还是pip都可以但我个人偏向用pip安装PyTorch因为包体积更小、版本更新更快。一个典型的安装命令可能是这样pip install torch torchvision torchaudio如果你需要指定CUDA版本官网生成的命令里会带类似--index-url的参数。这里不多写死命令因为在不同时间、不同硬件上正确的命令会变化。关键是记住安装命令以官方生成的为准不要照着一个老教程的固定版本号硬装。2.3 安装后第一时间验证安装完不要急着写模型先验证环境能不能用。创建一个测试脚本或者直接在Python里执行import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU mode)如果torch.cuda.is_available()返回False先不要怀疑代码按这个顺序排查驱动是否安装nvidia-smi是否能正常输出。安装的PyTorch版本是否包含CUDA支持。如果你不小心装了CPU版本的PyTorchcuda.is_available()一定是False。当前虚拟环境是否激活。很多人开着另一个终端环境没激活就直接运行装到了别的环境里。显卡是不是太老新版本PyTorch可能已经放弃部分老架构的计算能力。比如非常老的显卡跑新版本框架可能提示不兼容。TensorFlow的安装逻辑类似通常用pip install tensorflow即可。TensorFlow也会读取系统的CUDA相关库如果遇到版本冲突建议单独为TensorFlow建一个环境不要和PyTorch强混在一起。这不是说两者绝对不能共存而是同时维护两组不同版本的CUDA依赖很容易莫名其妙出问题。2.4 Ubuntu和Windows的差异点很多深度学习教程默认在Ubuntu上演示因为服务器环境大多是Linux。但Windows本地做入门学习完全没问题不需要为了学深度学习先去折腾双系统。Windows下注意几个点路径不能太长项目目录不要带中文和空格。conda命令在PowerShell里可能需要先执行conda init powershell。如果训练时DataLoader的num_workers设置大于0Windows下某些Python版本会报多进程相关错误。入门阶段设置num_workers0最省心。Ubuntu下反而要注意的是显卡驱动。如果你之前没装过NVIDIA驱动不要先急着装CUDA Toolkit先搞定驱动再验证nvidia-smi。驱动装好后框架会自动匹配。另外热词里有人提到Ubuntu 22、Ubuntu 24配置深度学习环境这类场景大概率是驱动和桌面环境的兼容问题多见于笔记本双显卡机器。解决思路是先确认驱动被系统识别再确认没有其他残留的旧驱动冲突最后再装框架。这个顺序不要反过来。3. 速通PyTorch核心张量、自动求导与模型训练流程3.1 张量不要当成普通数组看PyTorch里最核心的数据结构是Tensor中文常叫张量。你可以先把它当成“能放到GPU上计算、能自动记录梯度”的多维数组。张量和NumPy的ndarray很像但多了两个重要特性可以指定deviceCPU或GPU可以设置requires_grad来追踪计算过程。比如import torch x torch.tensor([[1.0, 2.0], [3.0, 4.0]], requires_gradTrue) print(x.shape) print(x.device) y x.sum() y.backward() print(x.grad)这段代码里x是一个2x2的张量requires_gradTrue表示我们要追踪对x的计算。y是x所有元素求和。调用y.backward()之后x.grad会自动保存梯度。这就是PyTorch“自动求导”的基本用法。初学者最容易犯的错误是张量的dtype不对。比如从整数列表创建张量时默认可能是int64而模型的权重大多是float32。做矩阵乘法或输入神经网络时dtype不匹配会直接报错。所以看到“Expected dtype float but got dtype long”这类提示第一时间检查数据类型用.float()、.long()、.to(device)来统一。3.2 计算图动态图为什么更友好PyTorch默认是动态计算图。意思是每执行一次前向传播就会临时构建一次图跑完自动释放。这样做的好处是你可以在代码里随意使用if、for循环去控制网络结构调试时可以直接看到每一层输出的形状和数值。对比TensorFlow早期那种静态图你需要先定义好完整的计算图再通过Session去执行中途想改结构会很麻烦。虽然TensorFlow 2.x默认也开启了Eager模式但很多老教程和存量代码仍然会把你引导到静态图思维里去。理解了动态图你就能理解为什么PyTorch社区说“代码即模型”。PyTorch模型定义就是一个继承torch.nn.Module的Python类前向传播就是重写forward方法。看起来和在写普通Python类没有区别。3.3 模型定义与训练循环的套路先看一个最简模型定义import torch.nn as nn class MyNet(nn.Module): def __init__(self): super().__init__() self.fc1 nn.Linear(784, 128) self.relu nn.ReLU() self.fc2 nn.Linear(128, 10) def forward(self, x): x x.view(x.size(0), -1) x self.fc1(x) x self.relu(x) x self.fc2(x) return x这是一个简单的全连接网络输入784维中间经过一个128维的全连接层和ReLU激活最后输出10维分类结果。forward方法定义了数据从输入到输出的流动方式。PyTorch的训练循环几乎都是同一个模式把模型切换到训练模式model.train()从DataLoader取一批数据梯度清零optimizer.zero_grad()前向传播outputs model(inputs)计算损失loss criterion(outputs, labels)反向传播loss.backward()更新参数optimizer.step()记录损失观察变化这个循环里optimizer.zero_grad()特别重要。PyTorch的梯度是累积的如果不清零下一批数据的梯度会加到上一批上参数更新就会乱掉。我第一次写训练循环时漏了这一步loss曲线完全不收敛排查了很久才发现。3.4 数据加载不要自己手写循环读数据PyTorch提供了torch.utils.data.Dataset和DataLoader用来管理数据读取和批处理。初学者可以先用现成的数据集不急着自定义。from torch.utils.data import DataLoader from torchvision import datasets, transforms transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue, num_workers0)这里做了两件事把图片转成Tensor并做标准化。标准化非常重要它让图片像素值分布接近标准正态分布模型训练时会稳定很多。如果不做标准化很多模型训练速度会变慢甚至loss下不去。4. 实战手写数字识别从数据处理到模型保存4.1 为什么选MNIST作为第一个实战项目MNIST是深度学习界的“Hello World”。它数据集小、图片简单在普通CPU上训练几分钟就能看到较好的效果。性能一般的笔记本也能跑不需要为第一个项目就焦虑显卡和显存。如果你已经对MNIST很熟可以直接换成FashionMNIST。它同样是28x28的灰度图但内容换成了衣服、鞋子等物品分类难度稍微高一点也更接近实际图像的复杂度。下面的代码以MNIST为例换成FashionMNIST只需要改数据集名称。4.2 定义一个能真正训练的卷积神经网络全连接网络可以跑通流程但图像分类上卷积神经网络的效果明显更好。这里定义一个简单CNNimport torch.nn as nn import torch.nn.functional as F class CNNNet(nn.Module): def __init__(self): super().__init__() self.conv1 nn.Conv2d(1, 32, kernel_size3, padding1) self.conv2 nn.Conv2d(32, 64, kernel_size3, padding1) self.pool nn.MaxPool2d(2, 2) self.fc1 nn.Linear(64 * 7 * 7, 128) self.fc2 nn.Linear(128, 10) def forward(self, x): x self.pool(F.relu(self.conv1(x))) x self.pool(F.relu(self.conv2(x))) x x.view(x.size(0), -1) x F.relu(self.fc1(x)) x self.fc2(x) return x网络结构分层看第一层卷积把输入从1通道变成32通道再用ReLU激活和最大池化把28x28降到14x14第二层卷积变成64通道再池化降到7x7然后展平成一维向量接两个全连接层最后输出10个类别的分数。这里涉及两个关键概念卷积核和池化。卷积核是用于提取局部特征的滑动窗口池化是下采样操作通常取窗口内最大值用来降低尺寸、减少计算量并增强平移不变性。MNIST这种简单图片两层卷积已经足够。4.3 训练参数怎么选接着准备损失函数和优化器import torch.optim as optim model CNNNet() device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001)分类任务用交叉熵损失是标配。优化器方面新手用Adam比SGD更容易调通因为Adam对学习率不那么敏感。lr0.001是常见的初始值如果你的loss震荡太厉害可以把学习率降到0.0001如果loss下降很慢再小幅提高到0.003左右。每次只改一个参数不要同时动好几个。训练循环epochs 5 for epoch in range(epochs): running_loss 0.0 for images, labels in train_loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() print(fEpoch {epoch1}, Loss: {running_loss / len(train_loader):.4f})训练时一定要把数据和模型都放到同一个device上。常见的报错“Expected all tensors to be on the same device”就是因为模型在GPU数据还在CPU。4.4 验证与保存模型训练完之后需要在没见过的测试数据上验证效果model.eval() correct 0 total 0 with torch.no_grad(): for images, labels in test_loader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs.data, 1) total labels.size(0) correct (predicted labels).sum().item() print(fAccuracy: {100 * correct / total:.2f}%)这里有两个关键点。第一model.eval()会切换模型到评估模式关闭Dropout等只在训练时生效的机制。第二torch.no_grad()可以关闭梯度计算减少内存占用并加速推断。如果不加这两个测试结果可能不稳定甚至出现奇怪的现象。保存模型用torch.save(model.state_dict(), mnist_cnn.pth)加载模型时你需要先重新实例化一个同结构的模型再加载参数model CNNNet() model.load_state_dict(torch.load(mnist_cnn.pth, map_locationcpu)) model.eval()load_state_dict要求模型结构完全一致。如果保存的时候改了层结构加载就会报错。这也是项目里常见的坑模型升级后忘了兼容旧权重。5. 训练加速、显存限制与批量任务的判断标准5.1 如何判断GPU真的在工作很多人跑代码时以为用了GPU实际模型一直在CPU上跑。最直接的判断方法是训练过程中打开另一个终端运行nvidia-smi观察GPU占用率。如果GPU使用率持续波动说明模型确实在GPU上计算如果一直显示0%说明你的代码可能没把数据或模型搬到GPU上。另外可以看训练耗时。MNIST这种小数据集CPU上单轮可能十几秒到一分钟GPU上可能只有几秒。如果发现速度完全没变化优先检查代码里有没有忘了.to(device)。还有一个隐蔽问题显存很高但GPU利用率只有个位数。这种情况通常不是数据量太大而是数据加载和增强成为性能瓶颈。你把图片从磁盘读出来、做变换、放到GPU这个流程如果一直是串行的GPU就会在空等。解决思路是适当增加num_workers让子进程提前准备数据。不过入门阶段数据量小这个问题不明显不要一开始就调高workers。5.2 显存不足和OOM的处理顺序遇到CUDA out of memory时不要急着换显卡按这个顺序处理看当前机器还有没有其他程序占用显存。nvidia-smi可以直接看到进程列表有其他训练任务就等它跑完或杀掉。降低batch_size。这是最有效的手段从64降到32、16显存占用会线性下降。减小输入图片尺寸。比如从224x224降到160x160显存占用会明显下降但精度也会有影响。检查是否在验证阶段也用了torch.no_grad()。如果忘了验证时也会建立计算图白白占大量显存。使用梯度累积或混合精度训练。这是进阶方案入门阶段不用急着上。我的建议是先用小batch_size把代码跑通再逐步调大直到找到占用和速度的平衡点。不要一上来就开最大batch_size这样只会白白浪费调参时间。5.3 批量训练和实验管理如果只是跑MNIST这个demo单脚本就够了。但当你开始做真实项目比如用不同学习率、不同模型结构做多组对比实验时就要提前规划好输出管理。至少要做到三件事每次训练的结果保存到不同目录文件名带上时间或参数名称。比如model_lr0.001_epoch5.pth。把loss、accuracy等指标记录到日志文件或CSV。如果只是打印到终端只能看到最后一次的结果没法回看训练曲线。每次启动训练前检查输出目录是否存在不存在就自动创建。这个看似小问题实际项目里经常因为目录不存在导致保存失败。这三个习惯比任何高级技巧都重要。我见过很多同学在笔记本上能跑通一到服务器上批量跑多个实验就乱成一团最后分不清哪个模型对应哪个参数。提前把命名、目录、日志规划好后面省很多事。6. 常见报错、排查顺序与最终选型建议6.1 固定一套排查顺序不要乱猜深度学习的报错千奇百怪但如果每次都按同一个顺序排查大部分问题能在十分钟内定位。我的排查顺序是看报错出现的位置。是import时报错、模型定义时报错、训练时报错还是保存时报错先缩小范围。看环境。当前是否使用了正确的conda环境Python版本、PyTorch版本、CUDA版本是否匹配。看数据。输入张量的shape、dtype、数值范围是否符合预期。很多训练失败其实来自数据没洗干净。看模型。forward里每一层输出的shape是否和你预期一致设备是否统一。看参数。batch_size、学习率、epochs这些超参数是否合理。最后才怀疑框架本身。大多数情况下框架本身没有问题问题出在前面几层。6.2 几个高频报错的快速对照报错现象常见原因快速处理No module named torch没安装或当前环境不是安装时的环境激活正确环境后重新安装CUDA out of memorybatch_size过大、其他进程占用显存降batch_size关掉其他任务Expected all tensors on the same device模型和输入数据不在同一个device统一用.to(device)迁移Expected dtype float but got dtype long输入张量数据类型不对用.float()转换输入size mismatch模型结构和加载的权重不匹配检查模型定义是否和保存时一致DataLoader worker errorWindows下多进程问题把num_workers设为0loss为NaN这种情况需要单独说。如果训练过程中loss突然变成NaN通常不是代码语法问题而是数据里出现异常值、学习率过大或者网络结构上有数值不稳定。第一步先把学习率调小比如从0.001降到0.0001第二步检查输入数据是否包含NaN或极端值第三步检查优化器参数里有没有weight_decay设置过大的情况。6.3 最终选型建议和学习路线回到最初的问题。如果你是一个完全没有深度学习经验的新手我建议直接用PyTorch作为第一个框架。原因很简单资料多、社区活跃、报错容易搜到答案而且你学到的模型定义、训练循环、数据加载这些理念换成其他框架时依然通用。如果你进入的公司或团队已经有成熟的TensorFlow体系那就跟着团队的技术栈走。这不丢人框架只是工具能落地产出才有价值。如果你时间充裕两个框架都学一点基础也不会错。但不要同时入门更不要今天看TensorFlow教程明天又切到PyTorch这样两个都学不深。先选一个跑通两三个完整项目再去看另一个框架的差异效率高得多。最后给一条可执行的学习路线第一步掌握Python基础重点是列表、字典、函数、类、NumPy数组操作。第二步搭好环境跑通一个MNIST或FashionMNIST训练脚本。第三步吃透训练循环里的每一步这是深度学习的核心骨架。第四步换数据集、换模型结构验证自己是否真的理解了参数的作用。第五步再看CNN、RNN、Transformer结合具体项目去读模型源码。整套下来2小时肯定不够但两到三天专注投入完全可以突破“只会照抄教程”的阶段。真正落地时你最该盯住的不是框架还能提供多少高级功能而是环境是否干净、数据是否规范、训练流程是否稳定。这几个基础打好了换框架、换模型都是水到渠成的事。