同时学会pytorch和tensorflow 很多教程要么只教Pytorch，要么是讲Tensorflow，你花大把时间学完一个再学另一个的时候，之前学的都快忘光了

采取对照学习法，Pytorch和Tensorflow探索flow一起学，它们在功能和原理上有类似之处，我们能一次性用两种方式搞定，让你深度学习框架的学习之路既轻松又高效。 重点：Pytorch和Tensorflow基础概念和操作。张量（Tensor）：张量是深度学习世界里的关键元素，它是多维数组，用于储存数据，是深度学习框架里的基本数据结构。张量可以是一维的向量、二维的矩阵或更高维度的形式。张量像是数据和模型参数的载体，在计算过程中负责储存和传递信息。例子：二维张量可看作是一个表格。动态图和静态图：动态图：Pyschott。每次运行时，会重新构建计算图，这个特性很棒，就像给你开了调试的透视眼，能随时更改模型结构。静态图：Tensorflow1。在运行之前就固定好计算图，有性能高易优化的优势。注意：Tensorflow2引入动态图模式，也能像Pytorch那样动态构建计算。创建张量和基本运算：创建张量：在Pytorch中，用autograd点探索方法创建了一个二维张量，类型是float32。在Tensorflow中，解法完全一模一样，只不过在Tensorflow中使用的函数变成了constant。可以看出来，两边没有任何区别。基本运算：在Pytorch中，进行加减乘除基本运算。在Tensorflow中，进行加减乘除基本运算。 小结：张量（Tensor）：深度学习的核心，数据结构是多维数组。动态图和静态图：动态图：每次运算重建计算图，便于调试。静态图：可预定义计算图，提高性能。Pytorch和Tensorflow：写法类似，在两者间切换不难。