在2026年AI从业者选择PyTorch还是TensorFlow早就不是单纯对比两套API哪个更好记的问题而是和学习成本、论文复现效率、工程落地能力以及职业方向绑定在一起的综合决策。PyTorch在学术界和研究社区的渗透率已经很高依赖Hugging Face生态的模型几乎默认提供PyTorch权重TensorFlow则在生产部署、移动端和一批存量系统中仍然有稳定位置。这篇文章会先分析两个框架的真实差异然后用三小时左右的路径带读者跑通PyTorch环境搭建、核心概念和最小训练闭环最后结合转AI、搞科研、进大厂三个方向说明框架技能该如何布局。文章里的命令和代码在常见Linux环境验证过Windows和macOS的区别会单独说明。1. 2026年再看PyTorch和TensorFlow选型重心已经不是 API 差异很多初学者把PyTorch和TensorFlow的对比理解为“两套类名和函数不一样”于是拼命记API希望能通过“背熟某个框架”来获得安全感。实际上经过多年迭代两个框架在高层API上的差距已经明显缩小。PyTorch 2.x 默认就是动态执行TensorFlow 2.x 也默认启用了 Eager Execution并且用tf.function支持静态图编译。真正影响选型的因素已经转移到生态、部署路径、团队技术栈和职业规划上。1.1 PyTorch 的流行密码是动态计算图和 Python 生态PyTorch 的核心设计是动态计算图。也就是说每一行张量操作在执行时就被记录下来前向传播和反向传播由框架根据实际执行路径自动构建。这种设计带来的直接好处是调试非常直观你可以在任意位置打印中间张量的 shape、dtype 和数值也可以用 Python 自带的断点工具去检查变量。这对于科研阶段频繁修改模型结构、快速验证想法的工作方式非常友好。另外PyTorch 已经被 Hugging Face 生态当成默认承载框架。绝大多数开源模型仓库会同时发布 PyTorch 权重transformers、diffusers、timm等常用库也围绕 PyTorch 组织。对于论文复现、算法验证和快速实验来说PyTorch 的开源社区资源密度最高遇到问题很容易找到对应讨论和实现。1.2 TensorFlow 2.x 的演进解决的是从训练到部署的统一问题TensorFlow 1.x 时代的静态图开发体验相对繁琐这让很多研究者转向 PyTorch。TensorFlow 2.x 做了大量易用性改进默认 Eager Execution同时用 Keras 提供了高层建模接口。真正让 TensorFlow 在企业环境中保持份额的是其完整的生产工具链TensorFlow Serving 可以承载高性能在线推理TFLite 覆盖移动端和嵌入式场景TFX 则把数据验证、特征工程、训练和发布串成一套流水线。如果团队已经围绕 TensorFlow 建立了推理服务和运维体系新项目继续使用 TensorFlow 是合理选择因为迁移到 PyTorch 需要重写服务、替换监控、重新验证性能成本远高于框架本身的API差异。反过来如果团队从零开始做算法研究或模型创新PyTorch 的生态和学习速度往往更有优势。TensorFlow 2.x 系列也持续更新例如 2.18 以及后续版本在安装和兼容性上做了不少调整但这不是选型的关键选型看的是整个团队的长期技术路线。1.3 选型对比不同场景下的参考维度对比维度PyTorchTensorFlow默认执行模式动态计算图调试直观Eager Execution可用 tf.function 编译静态图研究复现论文代码和开源权重多数使用 PyTorch新论文占比较低但存量项目不少高层建模 APInn.Module结构灵活Keras封装度高上手快部署选项TorchScript、torch.compile、ONNX、TorchServeTensorFlow Serving、TFLite、TF.js、TFX移动端和嵌入式需要转 ONNX 或借助第三方工具链TFLite 生态成熟社区学习资源教程、开源项目多适合个人学习官方文档完整企业生产案例多这张表不是为了说明“PyTorch 一定更好”而是帮助读者根据场景做判断。如果是个人学习、论文复现、算法实验优先 PyTorch如果身处明确以 TensorFlow 为底层架构的团队则优先掌握 TensorFlow 的生产工具链。框架是载体工程落地能力才是长期价值。2. 入门PyTorch前先理解三大核心设计PyTorch 入门之所以让人觉得内容琐碎是因为张量、自动求导、模型模块和训练循环这几个概念经常被混在一起讲。实际上一套训练流程可以拆成几个清晰的层次用 Tensor 存放数据用 autograd 自动计算梯度用 nn.Module 组织模型最后用优化器和损失函数把训练循环串起来。先理解这三个核心设计后面写代码会顺畅很多。2.1 Tensor张量是数据在框架里的唯一通行证Tensor 可以理解为深度学习版本的 NumPy ndarray但额外支持 GPU 计算和自动求导。所有输入数据、中间特征、模型参数和最终输出都以 Tensor 形式存在。创建张量的常用方式如下import torch a torch.tensor([[1.0, 2.0], [3.0, 4.0]]) b torch.zeros(2, 3) c torch.ones(2, 3, dtypetorch.float32) d torch.arange(0, 10, step2) e torch.randn(3, 3) print(a.shape, a.dtype, a.device) print(d)每个 Tensor 有shape、dtype、device三个核心属性。shape决定张量的维度结构dtype决定数值类型device决定数据在 CPU 还是 GPU 上。写代码时最常见的错误之一是 CPU 张量和 GPU 张量混用所以要养成通过x.to(device)统一管理设备的习惯。Tensor 和 NumPy 可以互转import numpy as np arr np.array([1.0, 2.0, 3.0]) tensor_from_numpy torch.from_numpy(arr) back_to_numpy tensor_from_numpy.numpy()需要注意torch.from_numpy转换后的张量与原始 NumPy 数组共享内存修改一方会影响另一方。如果不需要共享内存可以先复制再转换。2.2 autograd自动求导机制让反向传播自动化反向传播是深度学习训练的核心计算过程。PyTorch 通过autograd模块自动完成这项工作。只要张量设置了requires_gradTrue框架就会在前向计算过程中记录操作并在调用backward()时自动计算梯度。import torch x torch.tensor(2.0, requires_gradTrue) y x ** 2 3 * x 1 y.backward() print(x.grad)这里y x^2 3x 1对x求导得到2x 3。当x 2时梯度为7所以x.grad输出为tensor(7.)。理解这个例子就能明白为什么训练代码里调用loss.backward()之后每个模型参数都会自动拥有对应的梯度信息。使用autograd时要区分普通张量和模型参数。模型参数通过nn.Parameter包装本质上就是设置了requires_gradTrue的 Tensor。梯度需要在反向传播后由优化器消费而不是每次手动清零。如果忘记调用optimizer.zero_grad()梯度会不断累积导致训练不收敛。2.3 nn.Module模型结构、参数和 forward 的载体nn.Module是所有神经网络模块的基类。无论是一层线性变换、一个卷积块还是整个分类网络都应该继承nn.Module。__init__方法用来定义子模块和参数forward方法定义前向计算逻辑。反向传播不需要手写autograd 会根据 forward 中的操作自动构建计算图。import torch.nn as nn class MLP(nn.Module): def __init__(self, in_dim784, hidden128, out_dim10): super().__init__() self.fc1 nn.Linear(in_dim, hidden) self.fc2 nn.Linear(hidden, out_dim) def forward(self, x): x x.view(x.size(0), -1) x torch.relu(self.fc1(x)) return self.fc2(x) model MLP() print(model)这种设计的好处是模型结构、参数和计算逻辑封闭在一个类里方便复用和修改。通过model.parameters()可以拿到模型全部参数直接交给优化器通过model.to(device)可以把整个模型迁移到 GPU。调试时也可以只取某个子模块观察它的输入输出非常符合 Python 的开发习惯。3. 环境搭建CPU版和GPU版分开准备避免被版本坑拖进度环境问题往往是初学者放弃的第一道坎。PyTorch 安装本身不复杂难点在于 CUDA 版本、驱动版本、Python 版本和 PyTorch 版本之间的匹配。如果一开始就在物理环境直接安装很容易出现多个项目依赖冲突。推荐的做法是先创建独立虚拟环境再根据是否有 NVIDIA GPU 选择 CPU 版或 GPU 版安装命令。3.1 用 Python 虚拟环境隔离项目依赖虚拟环境可以保证不同项目使用不同版本的 PyTorch 和依赖包避免项目之间互相干扰。创建虚拟环境有两种常见方式一种是 Python 自带的venv另一种是 Anaconda 的conda。使用venv的方式python -m venv .venv source .venv/bin/activate # Linux / macOS .venv\Scripts\activate # Windows使用conda的方式conda create -n pytorch python3.10 -y conda activate pytorch选择哪种都可以关键是养成“每个项目一个环境”的习惯。进入虚拟环境后pip 安装的包会隔离到当前环境中不会污染系统 Python。3.2 CPU 版安装最快跑通的最小步骤如果没有独立显卡或者只需要先跑通代码逻辑可以直接安装 CPU 版。CPU 版体积小、不需要检查 CUDA适合学习和调试。官方推荐的 CPU 版安装命令pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu如果网络访问官方下载源比较慢可以配置 pip 使用国内镜像。但要注意镜像源中的包可能来自 PyPI 默认通道部分版本会携带 CUDA 相关依赖体积更大。落地之前先确认自己要的是 CPU 版还是 GPU 版再选择对应的 index 地址。3.3 GPU 版安装先确认 CUDA 再装 PyTorchGPU 版安装前先确认两件事NVIDIA 驱动支持的最高 CUDA 版本以及你计划使用的 PyTorch 版本要求的 CUDA 版本。这两个概念容易混淆。nvidia-sminvidia-smi显示的是驱动支持的最高 CUDA 版本并不代表当前机器已经安装了哪个 CUDA 工具包。PyTorch 的 GPU 版安装包自带运行时所需 CUDA 库所以大多数场景下不需要单独安装完整 CUDA 工具包只要驱动版本足够新即可。再查看系统中是否存在 CUDA 工具包nvcc --version如果没有nvcc也不用着急很多情况下 PyTorch 自带的 CUDA runtime 已经够用。接着根据 PyTorch 官方安装页选择对应 CUDA 版本的安装命令常见写法如下pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121cu118对应 CUDA 11.8cu121对应 CUDA 12.1。不同的 PyTorch 版本会提供不同的索引地址安装前务必打开官方安装页确认不要照抄旧命令。安装场景推荐命令CPU Only Linuxpip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpuCUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118CUDA 12.1pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121默认 PyPIpip install torch torchvision torchaudio上面的命令只用于说明思路。实际版本更新后可用的 CUDA 索引编号可能变化安装前以 PyTorch 官网的 Install 页面为准。3.4 安装验证不光要看 import 成功还要测 GPU 可用性安装完成后先验证版本号再验证 GPU 是否真正可用。python -c import torch; print(torch.__version__)接着运行一段更完整的验证脚本import torch print(PyTorch Version:, torch.__version__) print(CUDA Available:, torch.cuda.is_available()) print(CUDA Version:, torch.version.cuda) print(GPU Count:, torch.cuda.device_count()) print(GPU Name:, torch.cuda.get_device_name(0) if torch.cuda.is_available() else No GPU)如果torch.cuda.is_available()返回False说明安装的可能是 CPU 版或者 CUDA 索引版本与驱动不匹配。此时先确认nvidia-smi能否正常显示 GPU 信息再检查安装命令是否带上了正确的--index-url。3.5 特殊环境提醒Jetson 嵌入式平台和 PyTorch 2.6 行为变化在 NVIDIA Jetson 这类嵌入式平台上不能直接使用桌面版的安装命令。JetPack 系统版本与 PyTorch 版本之间存在对应关系安装方式通常是使用 NVIDIA 提供的预编译轮子或者从源码编译。安装前要查阅 JetPack 对应版本的官方文档确认支持的 Python 版本和 PyTorch 版本。另外PyTorch 2.6 开始修改了torch.load的一个默认行为weights_only参数默认值从False变为True。简单理解如果模型文件里只保存了state_dict这类纯权重数据新的默认值没有影响但如果你保存的是整个模型对象或者包含自定义类实例加载时可能会遇到UnpicklingError。这时候需要显式传入weights_onlyFalse。这个细节会在第五章模型保存与加载部分具体说明。4. 三小时入门实战从张量操作到最小训练闭环三小时能完成的事情有限但足够走通一条完整的最小训练闭环。建议把时间切分成三段第一小时熟悉张量和自动求导第二小时完成线性回归第三小时跑一个 MNIST 分类并保存模型。先完成闭环再追求细节。4.1 张量创建、shape 和 dtype先建立数据直觉实际写代码时操作张量最多的是查看 shape、调整维度和转换 dtype。以下代码覆盖最基本的操作import torch x torch.randn(32, 1, 28, 28) print(x.shape) # torch.Size([32, 1, 28, 28]) print(x.numel()) # 25088元素总数 x_flat x.view(32, -1) print(x_flat.shape) # torch.Size([32, 784]) x_permute x.permute(0, 2, 3, 1) print(x_permute.shape) # torch.Size([32, 28, 28, 1])view是调整形状的常用方法-1表示让 PyTorch 自动推断该维度大小。permute用于维度交换在图像任务中很常见。需要区分的是view对内存布局有要求如果数据不连续需要先调用contiguous()再view否则可能报错。4.2 用 autograd 完成一次反向传播前面的章节已经展示过y.backward()的用法。这里再补充一个稍微完整的例子观察梯度累积的问题import torch x torch.tensor(1.0, requires_gradTrue) y x ** 2 y.backward() print(x.grad) # tensor(2.) y.backward() print(x.grad) # tensor(4.)因为梯度没有清零如果希望梯度重新计算可以手动清零x.grad.zero_() y.backward() print(x.grad)这段代码解释了为什么训练循环里每隔一个 batch 就要调用一次optimizer.zero_grad()。梯度是累积到参数上的不清理就会变成多个 batch 梯度之和训练指标会出现莫名其妙的波动。4.3 用 nn.Linear 搭最小线性回归模型线性回归是最小的完整训练案例。构造一组带噪声的线性数据然后用nn.Linear(1, 1)学习其中的关系。import torch import torch.nn as nn import torch.optim as optim torch.manual_seed(42) # 生成带噪声的线性数据y 2x 1 noise x torch.linspace(-1, 1, 100).reshape(-1, 1) y 2 * x 1 0.1 * torch.randn_like(x) model nn.Linear(1, 1) loss_fn nn.MSELoss() optimizer optim.SGD(model.parameters(), lr0.01) for epoch in range(200): pred model(x) loss loss_fn(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch 1) % 50 0: print(fEpoch {epoch 1}, Loss: {loss.item():.4f}) print(w:, model.weight.item(), b:, model.bias.item())这段代码里nn.MSELoss计算均方误差optimizer.step()根据梯度更新参数loss.item()把标量张量转成 Python 浮点数。最终训练出的w接近 2b接近 1。这个闭环虽然简单但已经包含训练循环的所有要素。4.4 用 DataLoader 管理 MNIST 数据MNIST 是图像分类入门经典数据集。PyTorch 的torchvision.datasets提供了下载和加载接口DataLoader负责批量读取数据。因为数据集需要联网下载网络环境受限时可以先手动下载数据文件放到root目录。import torch import torchvision import torchvision.transforms as transforms transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_set torchvision.datasets.MNIST( root./data, trainTrue, downloadTrue, transformtransform ) test_set torchvision.datasets.MNIST( root./data, trainFalse, downloadTrue, transformtransform ) train_loader torch.utils.data.DataLoader( train_set, batch_size64, shuffleTrue ) test_loader torch.utils.data.DataLoader( test_set, batch_size64, shuffleFalse )ToTensor把 PIL 图片转成[0,1]范围的 TensorNormalize用均值 0.1307 和标准差 0.3081 做标准化这是 MNIST 的常用配置。shuffleTrue在每个 epoch 打乱训练数据避免模型学到样本顺序。4.5 三小时练习安排表时间段学习内容完成标志第 1 小时创建虚拟环境安装 PyTorch完成张量操作和 autograd 示例import torch成功GPU 可用x.grad输出正确第 2 小时跑通线性回归闭环理解 loss、optimizer、训练循环loss 下降w接近 2b接近 1第 3 小时完成 MNIST 分类训练保存模型并加载测试准确率超过 90%加载模型能正常推理这三小时不追求理解所有细节关键是建立“数据进入模型、计算损失、反向传播、更新参数”的整体画面。之后再看卷积、Transformer、分布式训练都会围绕这个核心循环展开。5. 从入门到项目PyTorch 项目的标准组织方式单个文件能跑通教程但一个真实项目需要良好的目录结构来分离职责。下面是一个常见的 PyTorch 小项目组织方式适合分类任务、目标检测调参、论文复现等场景。5.1 一个可复用的小项目目录结构project/ ├── data/ # 数据集存放目录 ├── models/ # 模型定义 │ └── net.py ├── utils/ # 工具函数 │ ├── dataset.py # Dataset 定义 │ └── train.py # 训练函数 ├── config.py # 超参配置 ├── train.py # 训练入口 ├── requirements.txt # 依赖列表 └── README.mdconfig.py可以集中管理学习率、batch size、epoch 等超参数避免把超参数散落在各个脚本里。models目录只放网络结构utils目录放数据加载和训练函数入口脚本只负责组装流程。这种分层在项目变大后收益很明显。5.2 数据加载与预处理模块自定义数据一般通过继承torch.utils.data.Dataset来实现。核心方法有两个__len__返回样本数量__getitem__根据索引返回一个样本。from torch.utils.data import Dataset class MyDataset(Dataset): def __init__(self, file_paths, labels, transformNone): self.file_paths file_paths self.labels labels self.transform transform def __len__(self): return len(self.file_paths) def __getitem__(self, idx): image load_image(self.file_paths[idx]) label self.labels[idx] if self.transform: image self.transform(image) return image, labeltransform可以包含缩放、裁剪、归一化、数据增强等操作。数据加载逻辑应该和模型逻辑分离这样后续替换数据集、调整增强策略时不需要改动训练代码。5.3 训练、验证、测试三段式训练阶段和验证阶段要使用不同的代码路径。训练阶段需要计算梯度并更新参数验证和测试阶段需要用torch.no_grad()关闭梯度计算同时切换model.eval()模式让 BatchNorm、Dropout 等层按推理逻辑工作。def train_one_epoch(model, loader, loss_fn, optimizer, device): model.train() total_loss 0 for images, labels in loader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss loss_fn(outputs, labels) loss.backward() optimizer.step() total_loss loss.item() return total_loss / len(loader) def evaluate(model, loader, loss_fn, device): model.eval() correct 0 total 0 total_loss 0 with torch.no_grad(): for images, labels in loader: images, labels images.to(device), labels.to(device) outputs model(images) loss loss_fn(outputs, labels) total_loss loss.item() _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() return total_loss / len(loader), correct / total这里的关键点有两个。第一optimizer.zero_grad()必须在每个 batch 开始前调用第二验证阶段要把整个循环包在torch.no_grad()里面否则反向传播计算图会占满显存。5.4 模型保存与加载注意 2.6 的 weights_only 变化保存模型时推荐只保存state_dict也就是模型的权重参数而不是整个模型对象。这样文件体积小加载时也依赖于当前代码里的模型类定义。torch.save(model.state_dict(), model.pth)加载模型model MLP() state_dict torch.load(model.pth, weights_onlyTrue) model.load_state_dict(state_dict)在 PyTorch 2.6 中torch.load的weights_only参数默认值已经变为True。对于只包含state_dict的文件这个默认值没有问题而且能阻止任意代码执行安全性更好。但如果以前保存的是完整模型torch.save(model, model_full.pth)再用torch.load(model_full.pth)加载可能会因为默认的weights_onlyTrue而失败。此时需要显式指定model torch.load(model_full.pth, weights_onlyFalse)更稳妥的做法是从一开始就只保存state_dict避免依赖自定义类结构和 Python 版本。6. 常见安装与训练问题排查入门阶段遇到问题很多都是环境或细节配置导致的不是算法本身难。下面按安装阶段和训练阶段分别列出常见现象、原因和排查方式。6.1 安装阶段下载慢、CUDA 不匹配、DLL 报错问题现象常见原因检查方式处理建议pip 下载速度慢或超时默认源网络不稳定查看 pip 日志配置镜像源或使用官方 index-urlimport torch报 DLL 或 GLIBC 错误Python 版本、系统库与安装包不匹配检查 Python 版本、系统 glibc按官方要求使用受支持的 Python 版本重新安装torch.cuda.is_available()返回 False安装的是 CPU 版或 CUDA 索引版本不匹配运行nvidia-smi打印torch.version.cuda重新使用带 CUDA 索引的安装命令GPU 显存足够但训练报 OOMbatch size 过大或模型过大监控显存占用逐步缩小 batch size减小 batch size或使用混合精度训练安装成功换台机器后无法导入环境不一致使用requirements.txt重新构建建议用相同版本重新安装并检查系统依赖安装问题的排查顺序建议是先确认 Python 版本再确认 pip 源再确认 CUDA 和驱动最后确认 PyTorch 版本。不要一上来就重装系统或者换 Python 环境。6.2 训练阶段梯度为 None、loss 为 NaN、显存不足梯度为None是最常见的训练问题之一。通常是因为没有设置requires_gradTrue或者模型输入没有经过支持梯度的层。检查方式是在loss.backward()之后打印model.fc1.weight.grad看是否为None。如果为None检查前向传播里是否使用了阻断梯度传播的操作比如把中间结果转成了 NumPy。loss变成NaN的原因通常是学习率过大、输入数据包含无穷值、或者除以了零。解决方法是先降低学习率再检查数据是否有异常值最后检查损失函数输入是否包含NaN。出现NaN后不要继续训练先定位数据或参数范围的问题。显存不足OOM在图像任务中最常见。除了减小 batch size还可以检查是否有多个临时张量同时占用显存是否在验证阶段忘记使用torch.no_grad()。PyTorch 的torch.cuda.empty_cache()可以清空缓存但真正的解决方案是降低显存占用而不是反复清缓存。6.3 按这条顺序排查训练不收敛先检查数据是否存在问题包括标签是否从 0 开始、数据是否有残缺样本、是否做了归一化。再检查模型输出形状与损失函数是否匹配分类任务是否忘记交叉熵内部的 softmax 运算。检查学习率是否过大或过小batch size 是否过小导致 loss 曲线波动。检查优化器是否正确传入model.parameters()。检查梯度是否正常x.grad是否存在、是否包含非有限值。最后检查是否固定了随机种子排除实验差异。6.4 使用torch.no_grad()和model.eval()的常见误区很多初学者以为在验证阶段调用了model.eval()就不用再管梯度了。实际上model.eval()改变的是 BatchNorm 和 Dropout 的行为并不会停止梯度计算。只有同时使用torch.no_grad()才会阻断计算图的构建节省显存和算力。因此验证和测试阶段必须同时使用两者。7. 职业发展转AI、搞科研、进大厂分别怎么学框架学习不是目的职业方向不同学习重点差异很大。同样是把 PyTorch 用熟练转 AI 的人更看重项目经验和数据能力搞科研的人更看重复现能力和实验管理进大厂的人更看重工程落地和部署链路。下面分别展开。7.1 转 AI用项目补齐框架、数据和工程三条线转 AI 的读者最容易犯的错误是只刷教程不亲手跑项目。PyTorch 入门后应该尽快选择一个完整任务比如图片分类、文本分类或结构化数据预测走通数据处理、模型训练、评估和部署的完整流程。写代码时要注意数据结构相关能力比如用 Pandas 清洗数据、用 NumPy 做特征处理这些在实际业务里常常比模型结构更花时间。一个适合转 AI 的项目是“房价预测”或“客户流失预测”数据量小、训练快、容易解释。用 PyTorch 搭建多层感知机和逻辑回归或 XGBoost 做对比能同时理解深度模型和传统模型的应用边界。完成后再尝试用transformers微调一个预训练模型接触 NLP 的常见流程。7.2 搞科研框架是工具复现和实验管理才是核心科研场景中PyTorch 是载体真正重要的是复现论文结果和管理实验变量。拿到一篇论文要能快速区分模型结构、损失函数、训练策略和数据增强这几部分然后用 PyTorch 实现或复用开源代码。固定随机种子、记录超参数、保存每次实验的配置和指标是必须养成的习惯。实验管理可以先用简单方式比如每个实验建一个目录保存config.py、训练日志和最佳模型权重。后续再引入tensorboard可视化指标或使用wandb做更好的实验追踪。科研场景要特别注意数据划分不要用测试集调参否则实验结果会失真。7.3 进大厂工程落地能力比框架选择更关键大厂面试和实际工作不会只问“PyTorch 的 nn.Module 怎么用”更多是考察模型