从 TensorFlow 到 PyTorch：开发者指南

如果你有 TensorFlow 背景，那么你已经掌握了扎实的深度学习基本原理。像张量、计算图、层、优化器以及整个模型训练周期等这些内容对你来说已经很熟悉。通过发挥你的现有知识，无需从零开始。一个主要目标是提供一个清晰的路径，帮你从 TensorFlow 的方法过渡到 PyTorch 的实践方式，有效地转化你的技能。

为什么选择 PyTorch？从迁移角度看

TensorFlow，特别是通过 Keras 的紧密结合以及默认采用即时执行，变得越来越易用且灵活。那么，为什么还要考虑将 PyTorch 加入你的工具集呢？

• 动态计算图： PyTorch 的“定义时运行”方式，即计算图在操作执行时即时构建，提供了极高的灵活性。这对于具有动态架构的模型特别有利，例如自然语言处理 (NLP) 中常见的模型，它们的输入长度可能不同，或者图结构可能根据数据而改变。
• Python 风格： 许多开发人员发现 PyTorch 的 API 更符合传统的 Python 编程习惯。它与 Python 的生态系统（包括调试器和标准库）良好集成，让开发体验非常原生。
• 研究社区选用： PyTorch 在研究社区中获得了广泛采纳，从而有大量前沿实现和预训练模型可供使用。
• 明确控制： 尽管 Keras 提供了像 model.fit() 这样的高级抽象，但 PyTorch 通常更鼓励明确的编程风格，特别是对于训练循环。这有助于你对工作原理有更透彻的了解，并在需要时提供更精细的控制。

本课程将通过持续与 TensorFlow 进行比较，帮助你理解这些方面。

你的学习路径：从 TensorFlow 到 PyTorch

可以将本课程视为一座桥梁。我们将从基本要素开始，逐步过渡到更复杂的应用，并且总是将所学与你在 TensorFlow 中可能完成类似任务的方式联系起来。

此图概述了学习进程，从你的 TensorFlow 经验开始，逐步掌握 PyTorch 的重要组成部分，以达到熟练程度。

以下是此路径涉及的概览：

1. 核心机制（本章）： 我们将首先分析 TensorFlow 图执行（即使使用 tf.function）与 PyTorch 动态图之间的基本差异。你将看到 tf.Tensor 如何与 torch.Tensor 进行比较，以及 PyTorch 的 autograd 系统与 TensorFlow 的 tf.GradientTape 如何处理自动微分。
2. 构建模型： 从 tf.keras.Model 和 tf.keras.layers 过渡到 PyTorch 的 torch.nn.Module 及其相关层。我们将了解如何定义模型架构，从简单的顺序堆叠到更复杂的自定义设计。
3. 数据处理： 从 tf.data 管道转向 PyTorch 的 torch.utils.data.Dataset 和 torch.utils.data.DataLoader。你将学习使用 PyTorch 的工具创建高效的数据加载和预处理管道，包括用于图像数据的 torchvision.transforms。
4. 训练与评估： 这是最显著的变化之一。尽管 TensorFlow 的 Keras API 提供了便捷的 model.compile() 和 model.fit() 方法，但 PyTorch 的开发通常涉及编写明确的训练和评估循环。我们将引导你构建这些循环，涵盖损失函数（torch.nn）、优化器（torch.optim）和指标计算。
5. 模型持久化： 我们将介绍 PyTorch 中模型的保存和加载，并将 state_dict 与 TensorFlow 的 SavedModel 格式进行比较。我们还将涉及 TorchScript 用于模型序列化，并引入分布式训练和性能分析等高级主题。

预期收获

• 更“命令式”的风格： PyTorch 代码通常感觉像标准的 Python 代码。操作在被调用时即执行，使用 Python 的原生工具进行调试更加直接。
• 明确的梯度控制： 你会非常熟悉 loss.backward() 和 optimizer.step()。这种明确的控制，虽然需要更多的样板代码，但能让你清楚地理解反向传播过程。
• 模型定义的灵活性： 通过继承 nn.Module 并实现 forward 方法来定义模型，为你提供了极大的灵活性，可以在模型执行中纳入任意 Python 代码和控制流。

本初始章节是你的起点。到本章结束时，你将牢固掌握 PyTorch 的基本构建块，以及它们与你从 TensorFlow 已有知识的关联。这将为后续章节奠定坚实底子，届时你将应用这些知识来构建、训练和管理 PyTorch 深度学习模型。