很多时候入门深度学习的第一道坎不是数学不是GPU而是打开浏览器搜索“深度学习框架”的那一刻。你大概率会看到两种声音一边说 PyTorch 是学术界事实标准论文代码全是它另一边说 TensorFlow 在企业生产部署里地位稳固Keras 用起来像写诗。更让人纠结的是两边都互相引用对方的历史包袱来证明自己的正确性。这篇文章不打算和稀泥。先说结论2026 年如果你是纯新手、想快速上手做深度学习实验优先选 PyTorch如果你已经把模型跑通了要考虑服务部署、全链路生产落地TensorFlow 的生态仍然值得认真了解但它已经不是唯一选择。这个判断不是凭空给的而是从两个框架的架构设计、开发体验、社区趋势和生产能力四个维度拆出来的。为了避免“看完对比仍然不知道怎么装”的尴尬这篇文章会直接给出 TensorFlow 和 PyTorch 的完整安装命令、第一个训练项目的对比代码、常见踩坑记录以及新手最应该避开的几个认知误区。1. 这篇文章真正要解决的问题先说一个很多人不愿意面对的事实新手在选择深度学习框架上浪费的时间往往比真正学习深度学习的时间还多。因为网上的对比文章绝大多数停留在“动态图灵活、静态图高效”这种陈年结论上但框架版本都迭代到 2026 年了情况早就变了。对于刚入门的人来说需要解决的其实是这样几个具体问题装得上在自己的电脑上把 CPU 版跑通如果有 NVIDIA 显卡最好把 GPU 版也配好。跑得动能用框架写出第一个完整可训练的网络而不是只会调用model.fit或者trainer.train。看得懂知道框架内部是怎么前向传播、怎么反向求导的至少能定位“损失不下降”这类问题。分得清知道学术界论文用什么、工业界落地用什么以及为什么会出现这种分化。本文会围绕这四点展开。如果你已经有了一定基础可以直接跳到第 4 节看安装或者第 5 节看两框架的代码对比。如果是零基础建议按顺序读完后面每一节都和前面的内容有关联。2. TensorFlow 与 PyTorch 的演进历史为什么大家总在“站队”理解框架之争要先理解它们的出身。TensorFlow 是 Google 在 2015 年开源的它的前身是 Google Brain 内部的分布式训练系统 DistBelief。当时深度学习正要进入爆发期Google 的算力和工程能力保证了 TensorFlow 从一开始就具备很强的分布式训练能力也因此在工业界获得了空前成功。但 TensorFlow 1.x 时代的用户并不轻松你要先构建一张静态计算图然后通过Session去执行它。这种方式对服务器端推理友好但对研究和调试非常不友好。PyTorch 是 Facebook现在的 Meta在 2016 年推出的它实际上是基于早年 LuaTorch 的 Python 版本核心设计目标是让深度学习模型像普通 Python 代码一样自然书写。它的动态计算图机制本质上就是“每次前向传播重新建图”用户的直觉和实际执行过程完全一致。这一点在当时是革命性的也让 PyTorch 在学术界迅速流行。后来事情就变得很有意思。TensorFlow 2.x 引入了 Keras 作为官方高阶 API并且默认开启 Eager Execution动态图模式等于向 PyTorch 的灵活性靠拢而 PyTorch 2.x 引入了torch.compile试图通过编译优化来弥补动态图的性能差距。所以严格来说2026 年再拿“动态图 vs 静态图”说事已经没有太大意义两个框架在工程实现上已经彼此吸收真正的差异反而体现在生态、部署链路由和社区文化上。2.1 TensorFlow 的转型从静态图到 Keras 优先TensorFlow 2.x 是一个“转型之作”。它把 Keras 设为官方高阶 API默认启用了 Eager Execution去掉了 1.x 时代大量冗余的tf.*接口并统一了model.fit/model.evaluate的训练流程。这意味着写 TensorFlow 2.x 的体验和 PyTorch 已经相当接近都是“定义层、定义前向、调用优化器”。但 TensorFlow 的历史包袱还在。当你搜索资料时仍会看到大量基于tf.Session()、tf.placeholder()的老代码这些代码在 2.x 根本跑不起来。官方自动转换脚本tf_upgrade_v2能解决一部分机械替换但深层 API 重写仍然需要人工介入。对于新手来说这个干扰是真实的——你很难分清自己看到的教程到底基于哪个版本。2.2 PyTorch 的稳进学术界共识正在转化为工业界增量PyTorch 从 1.0 到 2.x核心 API 保持高度稳定。一个 2018 年写的 PyTorch 模型放到 2026 年的环境里大概率还能运行最多改几行对设备调用的写法。这一点对新手极为重要稳定的生态意味着你随手搜到的一段模型代码不会因为版本迁移而直接报废。同时PyTorch 在工业界的影响力也在扩大。很多大模型推理框架比如 vLLM、TensorRT-LLM都提供 PyTorch 接口Hugging Face Transformers 的默认后端也是 PyTorch同时兼容 TensorFlow。大模型时代PyTorch 的学术基础进一步转化成了大模型生态的事实标准。从材料看2024 年到 2026 年的流行趋势很明显新开源模型、论文代码、课程项目绝大多数首发 PyTorch 版本TensorFlow 版本往往是社区后续适配。这个趋势对新手意味着什么你能找到的 PyTorch 学习资源更多、更新更快、踩坑案例更全。3. 深度学习框架到底解决了什么问题张量、自动求导与训练循环在对比代码之前有必要把框架的本质讲清楚。很多人被“深度学习框架”这个名字吓到以为它是什么黑魔法。其实框架主要就解决了三件事张量计算、自动求导、模型训练与部署。张量Tensor是框架里的“数组”——可以是 0 维的标量、1 维的向量、2 维的矩阵也可以是非常高维的数据结构。图像数据通常被表示为(batch, height, width, channels)的形状文本数据往往被处理成(batch, sequence_length, embedding_dim)的形状。框架负责管理这些张量的形状、数据类型和计算。自动求导Autograd是框架最核心的能力。神经网络训练需要计算损失函数对每个参数w和b的偏导数梯度然后按梯度方向更新参数。手算神经网络梯度极其痛苦而框架通过记录计算图在完成后向传播时自动算出每个参数的梯度。TensorFlow 用tf.GradientTape()记录梯度PyTorch 则通过.backward()自动求导。训练循环是一个看似简单但极其重要的概念。任何深度学习项目都离不开的步骤如下把输入数据喂进网络得到预测结果前向传播。计算预测结果和真实标签之间的损失。通过反向传播求梯度。用优化器更新参数。重复上述过程直到损失收敛。TensorFlow 的model.fit把上面五步封装成一行代码初学者很容易写出模型却不知道训练循环里发生了什么。PyTorch 更鼓励你手动写训练循环刚开始会觉得麻烦但这个过程能让你真正理解模型是怎么学的。这也是很多课程推荐 PyTorch 的一个重要原因被迫面对细节是深度学习入门里最值得的投资。4. 环境准备与安装CPU 版和 GPU 版分别怎么装4.1 安装之前必须明白的几件事无论装哪个框架环境准备的核心逻辑是一样的Python 版本要匹配框架要求推荐 Python 3.9 到 3.12 之间的某个稳定版本具体以官网和 pip 支持情况为准。不要直接安装在系统全局 Python 里要用虚拟环境隔离。GPU 安装需要额外处理 NVIDIA 驱动、CUDA Toolkit、cuDNN 三者的版本关系。关于 CUDA有一个特别容易被初学者忽略的点框架的 CUDA 版本未必等于系统里nvidia-smi显示的 CUDA 版本。nvidia-smi显示的其实是显卡驱动的 CUDA 版本上限而框架自带的 CUDA 运行库可以在这个上限之下运行。新手装 PyTorch GPU 版时经常看到“CUDA 版本不匹配”的错误多数情况下不是驱动问题而是 PyTorch 的 CUDA 版本和系统驱动支持范围不匹配。4.2 创建虚拟环境推荐用 Python 自带的venv或 Anaconda 创建虚拟环境。对于新手Anaconda 的前置复杂度更高但后续管理不同 Python 版本会更方便venv更轻量且足够满足大多数场景。# 创建名为 dl 的虚拟环境指定 Python 版本 python3 -m venv dl # Linux/macOS 激活 source dl/bin/activate # Windows 激活 dl\Scripts\activate如果已经安装了 Anaconda也可以用 conda 创建conda create -n dl python3.10 conda activate dl4.3 PyTorch 安装PyTorch 的官方提示在 pytorch.org 上会根据你的操作系统和 CUDA 版本生成安装命令。下面是典型场景。CPU 版安装pip install torch torchvision torchaudioGPU 版安装以 CUDA 12.x 为例具体版本以官网为准pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这里--index-url表示从 PyTorch 的独立软件源下载而不是从默认的 PyPI。安装完成后在 Python 中验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU only)如果torch.cuda.is_available()返回True说明 GPU 版本配置成功。4.4 TensorFlow 安装TensorFlow 2.18 等近期版本安装比较简单CPU 版直接pip install tensorflowGPU 版需要注意TensorFlow 2.x 在 Linux 上对 GPU 的支持比较成熟Windows 上也有对应支持但强烈建议先确认自己的 TensorFlow 版本对应的 CUDA 和 cuDNN 版本。比较稳妥的方式是安装后运行import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果输出为空列表说明 TensorFlow 没有正确识别 GPU。常见原因是 CUDA/cuDNN 版本不匹配或者 TensorFlow 版本对应的显卡驱动过旧。需要注意的是2024 年之后 TensorFlow 官方对 Windows 原生 GPU 的支持策略有所调整很多开发者转向 WSL2 安装 GPU 版 TensorFlow。如果你使用的是 Windows且安装 GPU 版反复失败WSL2 是更高效的路径。5. 完整示例用两个框架实现同一个手写数字识别模型这一节用相同的任务——MNIST 手写数字识别——分别在 PyTorch 和 TensorFlow 里实现。MNIST 是深度学习的“Hello World”每个数字是 28x28 的灰度图像任务是把 0 到 9 的 10 类数字识别出来。5.1 PyTorch 版本# 文件路径pytorch_mnist.py import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 数据加载与预处理 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size1000, shuffleFalse) # 2. 定义网络结构两层全连接 ReLU 激活 class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.fc1 nn.Linear(28 * 28, 128) self.fc2 nn.Linear(128, 64) self.fc3 nn.Linear(64, 10) self.relu nn.ReLU() def forward(self, x): x x.view(-1, 28 * 28) x self.relu(self.fc1(x)) x self.relu(self.fc2(x)) x self.fc3(x) return x model MLP() # 3. 定义损失函数和优化器 criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 4. 训练循环 device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) epochs 5 for epoch in range(epochs): model.train() total_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() total_loss loss.item() print(fEpoch {epoch 1}/{epochs}, Loss: {total_loss / len(train_loader):.4f}) # 5. 评估 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(fTest Accuracy: {100 * correct / total:.2f}%)运行方式python pytorch_mnist.py关键逻辑解释nn.Linear是全连接层输入 784 维28x28 展平输出 128 维。CrossEntropyLoss内部包含 Softmax 计算所以网络最后的输出不需要手动加 Softmax。optimizer.zero_grad()每次训练前清空梯度否则梯度会在多个 batch 间叠加。model.eval()和torch.no_grad()是评估阶段的标准写法前者切换 BN/Dropout 行为后者关闭自动求导以节省内存。5.2 TensorFlow / Keras 版本# 文件路径tf_mnist.py import tensorflow as tf from tensorflow.keras import layers, models # 1. 数据加载与预处理 (x_train, y_train), (x_test, y_test) tf.keras.datasets.mnist.load_data() # 归一化到 0~1并增加通道维度 x_train x_train.astype(float32) / 255.0 x_test x_test.astype(float32) / 255.0 x_train x_train[..., tf.newaxis] x_test x_test[..., tf.newaxis] # 标签转为 One-Hot 编码 y_train tf.keras.utils.to_categorical(y_train, 10) y_test tf.keras.utils.to_categorical(y_test, 10) # 2. 定义网络结构 model models.Sequential([ layers.Flatten(input_shape(28, 28, 1)), layers.Dense(128, activationrelu), layers.Dense(64, activationrelu), layers.Dense(10, activationsoftmax) ]) # 3. 编译模型 model.compile( optimizeradam, losscategorical_crossentropy, metrics[accuracy] ) # 4. 训练 history model.fit( x_train, y_train, batch_size64, epochs5, validation_split0.1 ) # 5. 评估 test_loss, test_acc model.evaluate(x_test, y_test, verbose0) print(fTest Accuracy: {test_acc * 100:.2f}%)运行方式python tf_mnist.py两个版本都能在 CPU 上运行几秒钟就能看到损失下降。对比下来你会发现PyTorch 的训练循环是“手写”的每一步都暴露在你面前TensorFlow 的训练循环则被model.fit高度封装。对于一个入门者前者的学习曲线更陡但对底层机制的理解更扎实。6. 从学习到部署两个框架的生产链路对比很多对比文章只谈写代码的体验但真实项目迟早要面临部署问题。这恰恰是 TensorFlow 的老牌优势区也是 PyTorch 这几年重点追赶的领域。TensorFlow 的生产链路包括TensorFlow Serving高性能模型服务系统支持热更新、版本管理、并发请求处理。TF Lite面向移动端和嵌入式设备。TF.js在浏览器和 Node.js 中运行模型。与 Google Cloud 的各种集成。如果你的项目需要稳定地大规模部署模型TensorFlow 这套工具体系经过多年锤炼成熟度很高。但它的问题也很明显工具链学习成本不低而且很多能力与 Google Cloud 绑定更深。PyTorch 的生产链路也在快速补全TorchScript将训练的模型序列化为可在 C 环境运行的形式。TorchServeAWS 和 Meta 共同维护的模型服务框架。ONNX导出模型后可以转成 ONNX Runtime 部署这一条路径已经非常成熟。PyTorch 在大模型推理生态中的优势Hugging Face、vLLM 等主流工具链对 PyTorch 模型的支持是最即时的。从材料看当前大模型领域的部署方案大部分优先支持 PyTorch。如果你关注的是大模型微调和推理PyTorch 生态的优势是非常明显的。更稳妥的判断是传统工业场景中 TensorFlow Serving 的稳定性依然有吸引力但如果你做的是研究、快速验证、大模型相关项目PyTorch 的路径更平滑。7. 常见问题与排查思路新手安装和运行框架时最容易踩坑。下面把高频问题列成表格。问题现象可能原因排查方式解决方案pip 安装 PyTorch 时网络超时默认 PyPI 镜像不稳定查看 pip 报错的具体 URL使用国内镜像源或使用 PyTorch 官方--index-urltorch.cuda.is_available()返回 FalsePyTorch CUDA 版本与驱动不匹配运行nvidia-smi查看驱动支持的 CUDA 版本安装与驱动匹配的 CUDA 版本 PyTorch或升级驱动TensorFlow 无法识别 GPUcuDNN 版本不匹配运行tf.config.list_physical_devices(GPU)按 TensorFlow 官方要求对齐 CUDA/cuDNN 版本训练时 GPU 显存不足batch size 过大查看nvidia-smi显存占用调小 batch size或使用混合精度加载老模型报错weights_only相关警告PyTorch 2.6 起torch.load默认安全策略变化查看完整警告文本明确指定weights_onlyTrue/False尽量只信任可信来源的权重文件Ubuntu 系统配置深度学习环境后驱动“没反应”驱动安装方式不正确或 nouveau 冲突执行nvidia-smi检查内核模块加载情况在纯命令行模式重装 NVIDIA 驱动更新内核模块代码在 CPU 上跑得很慢没有使用 GPU或数据加载成为瓶颈观察训练时 CPU/GPU 占用率安装 GPU 版框架使用DataLoader并设置合理num_workers两个框架装在同一环境互相冲突TensorFlow 和 PyTorch 依赖的 CUDA 库不同查看 pip 依赖树强烈建议用不同虚拟环境分别安装这里重点提一下 PyTorch 2.6 之后的weights_only问题。如果你使用torch.load加载权重会收到一条默认参数变更提示PyTorch 为了反序列化安全把weights_only的默认值改为True。这意味着直接用torch.load加载旧版完整检查点包含自定义对象、优化器状态等可能失败。解决办法是在torch.load中显式设置weights_onlyFalse但这等同于信任该文件的来源。对于安全性和兼容性的权衡建议始终优先校验权重文件的来源。Ubuntu 驱动问题是另一个高频场景。很多新手在 Ubuntu 上按教程装了驱动nvidia-smi却提示找不到驱动。这通常是因为系统仍在用开源的 nouveau 驱动或者内核模块没加载成功。建议先执行nvidia-smi确认驱动状态然后使用ubuntu-drivers devices查看推荐驱动版本重新安装后再重启。8. 新手选择建议与学习路径回到最初的问题2026 年入门到底选哪个框架从材料看最合理的建议是主力学 PyTorch但不要对 TensorFlow 一无所知。这个建议有三个理由第一PyTorch 的代码风格最接近 Python上手阻力最小。它的“手动写训练循环”反而是一个教学优势能让新手理解训练的每一步。第二绝大多数最新模型、论文复现、开源项目都以 PyTorch 为主学习 PyTorch 意味着你拿到新模型源码时能直接读懂、直接运行。对于深度学习入门者来说能够“读代码”比“凭记忆背 API”重要得多。第三TensorFlow 在生产场景仍然大量存在。你毕业后或者在工作中可能遇到维护 TensorFlow 老项目的情况此时哪怕只了解如何使用model.fit也会比从零开始舒服很多。学习路径方面建议按照下面的顺序推进掌握 Python 基础列表推导、字典、类、装饰器至少要有基础的代码读写能力。理解张量操作和 NumPy深度学习框架的Tensor和 NumPy 的ndarray有很多相似之处先熟悉 NumPy 会减轻很多负担。用 PyTorch 完成一个手写数字识别不需要一开始就上 CNN就用全连接网络跑通训练循环。增加模型复杂度从全连接网络升级为 CNN理解卷积层和池化的作用。学习数据加载和预处理Dataset/DataLoader是 PyTorch 项目的重要部分。尝试 Transformer 基础结构即使不从头实现也要理解attention的基本原理。结合具体方向深入图像分类、目标检测、自然语言处理、大模型微调任选一条路线。这里特别强调一下不要一开始就追求“精通”某个框架。框架本质上只是工具真正值钱的是你对神经网络原理、数据处理流程和模型调试方法的理解。框架 API 会更新、版本会迭代但如果基础原理扎实换框架的成本其实很低。9. 最佳实践与工程建议无论选择哪个框架在实际项目中都建议遵守下面这些工程实践。虚拟环境隔离是底线。不同项目使用不同 Python 环境可以避免 TensorFlow 和 PyTorch 的 CUDA 依赖冲突也能避免因为某个项目的依赖升级而破坏其他项目。GPU 显存不是越多越好而是够用就好。很多新手认为显存越大越好实际上日常学习项目中 batch size 设为 32 或 64 已经足够。显存不足时先降低 batch size再考虑换更大显存的机器。代码中把设备抽象出来。不推荐在代码里写死cuda或cpu而是用类似下面的方式统一处理device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device)这样同一份代码既能在本地 CPU 上调试又能在 GPU 服务器上完整训练。训练日志必须记录。即使是学习项目也应该把 loss 变化、学习率、batch size、模型结构、最终精度记录下来。推荐阅读的项目里往往只有“代码 结果”没有“过程记录”而恰恰是那些实验过程和失败经验才是最有学习价值的。保存模型时同时保存结构信息和训练配置。PyTorch 中推荐保存模型参数和优化器状态而不是整个模型对象torch.save({ model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), epoch: epoch, train_loss: total_loss, }, checkpoint.pth)这样可以随时从某个 epoch 继续训练也方便对比不同实验配置。不要忽视数据加载的优化。在 PyTorch 中设置DataLoader的num_workers参数能显著提升数据读取速度但初学者往往忽略它。在 Windows 上需要放在if __name__ __main__块中避免子进程递归。对于 TensorFlow合理使用tf.data.Dataset的map、batch、prefetch也能有效减少数据瓶颈。10. 总结与后续学习方向到这里TensorFlow 与 PyTorch 的核心差异、安装方式、代码示例和工程实践都已经覆盖。需要再次强调的核心判断是2026 年入门深度学习PyTorch 是性价比最高的选择它让你用更小的心智负担理解深度学习的基本流程同时跟上最新的开源生态TensorFlow 则值得了解其基本使用方式以备在生产环境或企业中遇到相关技术栈。读完这篇文章后建议你立刻做两件事第一按照第 4 节的步骤把 PyTorch 环境装好第二把第 5 节的 MNIST 代码完整运行一遍哪怕一开始不理解每一行也要亲眼看到 loss 下降和精度上升的过程。这个“第一次跑通”的体验远比读十篇对比文章更有价值。后续可以继续沿着三条路线深入一是深挖 CNN 和图像任务掌握卷积、池化、BatchNorm 等核心概念二是转向 Transformer 和注意力机制理解当前大模型的基本构建单元并结合 Hugging Face Transformers 进行实践三是学习 ONNX、TensorFlow Lite 等部署工具链把训练好的模型真正放到服务端或移动端运行。无论选哪条路线都建议保持一个习惯读完每一个模型源码都动手在本地跑一遍改一改超参数观察训练曲线的变化。深度学习是实践的科学框架只是进入这个领域的脚手架。
很多时候入门深度学习的第一道坎不是数学不是GPU而是打开浏览器搜索“深度学习框架”的那一刻。你大概率会看到两种声音一边说 PyTorch 是学术界事实标准论文代码全是它另一边说 TensorFlow 在企业生产部署里地位稳固Keras 用起来像写诗。更让人纠结的是两边都互相引用对方的历史包袱来证明自己的正确性。这篇文章不打算和稀泥。先说结论2026 年如果你是纯新手、想快速上手做深度学习实验优先选 PyTorch如果你已经把模型跑通了要考虑服务部署、全链路生产落地TensorFlow 的生态仍然值得认真了解但它已经不是唯一选择。这个判断不是凭空给的而是从两个框架的架构设计、开发体验、社区趋势和生产能力四个维度拆出来的。为了避免“看完对比仍然不知道怎么装”的尴尬这篇文章会直接给出 TensorFlow 和 PyTorch 的完整安装命令、第一个训练项目的对比代码、常见踩坑记录以及新手最应该避开的几个认知误区。1. 这篇文章真正要解决的问题先说一个很多人不愿意面对的事实新手在选择深度学习框架上浪费的时间往往比真正学习深度学习的时间还多。因为网上的对比文章绝大多数停留在“动态图灵活、静态图高效”这种陈年结论上但框架版本都迭代到 2026 年了情况早就变了。对于刚入门的人来说需要解决的其实是这样几个具体问题装得上在自己的电脑上把 CPU 版跑通如果有 NVIDIA 显卡最好把 GPU 版也配好。跑得动能用框架写出第一个完整可训练的网络而不是只会调用model.fit或者trainer.train。看得懂知道框架内部是怎么前向传播、怎么反向求导的至少能定位“损失不下降”这类问题。分得清知道学术界论文用什么、工业界落地用什么以及为什么会出现这种分化。本文会围绕这四点展开。如果你已经有了一定基础可以直接跳到第 4 节看安装或者第 5 节看两框架的代码对比。如果是零基础建议按顺序读完后面每一节都和前面的内容有关联。2. TensorFlow 与 PyTorch 的演进历史为什么大家总在“站队”理解框架之争要先理解它们的出身。TensorFlow 是 Google 在 2015 年开源的它的前身是 Google Brain 内部的分布式训练系统 DistBelief。当时深度学习正要进入爆发期Google 的算力和工程能力保证了 TensorFlow 从一开始就具备很强的分布式训练能力也因此在工业界获得了空前成功。但 TensorFlow 1.x 时代的用户并不轻松你要先构建一张静态计算图然后通过Session去执行它。这种方式对服务器端推理友好但对研究和调试非常不友好。PyTorch 是 Facebook现在的 Meta在 2016 年推出的它实际上是基于早年 LuaTorch 的 Python 版本核心设计目标是让深度学习模型像普通 Python 代码一样自然书写。它的动态计算图机制本质上就是“每次前向传播重新建图”用户的直觉和实际执行过程完全一致。这一点在当时是革命性的也让 PyTorch 在学术界迅速流行。后来事情就变得很有意思。TensorFlow 2.x 引入了 Keras 作为官方高阶 API并且默认开启 Eager Execution动态图模式等于向 PyTorch 的灵活性靠拢而 PyTorch 2.x 引入了torch.compile试图通过编译优化来弥补动态图的性能差距。所以严格来说2026 年再拿“动态图 vs 静态图”说事已经没有太大意义两个框架在工程实现上已经彼此吸收真正的差异反而体现在生态、部署链路由和社区文化上。2.1 TensorFlow 的转型从静态图到 Keras 优先TensorFlow 2.x 是一个“转型之作”。它把 Keras 设为官方高阶 API默认启用了 Eager Execution去掉了 1.x 时代大量冗余的tf.*接口并统一了model.fit/model.evaluate的训练流程。这意味着写 TensorFlow 2.x 的体验和 PyTorch 已经相当接近都是“定义层、定义前向、调用优化器”。但 TensorFlow 的历史包袱还在。当你搜索资料时仍会看到大量基于tf.Session()、tf.placeholder()的老代码这些代码在 2.x 根本跑不起来。官方自动转换脚本tf_upgrade_v2能解决一部分机械替换但深层 API 重写仍然需要人工介入。对于新手来说这个干扰是真实的——你很难分清自己看到的教程到底基于哪个版本。2.2 PyTorch 的稳进学术界共识正在转化为工业界增量PyTorch 从 1.0 到 2.x核心 API 保持高度稳定。一个 2018 年写的 PyTorch 模型放到 2026 年的环境里大概率还能运行最多改几行对设备调用的写法。这一点对新手极为重要稳定的生态意味着你随手搜到的一段模型代码不会因为版本迁移而直接报废。同时PyTorch 在工业界的影响力也在扩大。很多大模型推理框架比如 vLLM、TensorRT-LLM都提供 PyTorch 接口Hugging Face Transformers 的默认后端也是 PyTorch同时兼容 TensorFlow。大模型时代PyTorch 的学术基础进一步转化成了大模型生态的事实标准。从材料看2024 年到 2026 年的流行趋势很明显新开源模型、论文代码、课程项目绝大多数首发 PyTorch 版本TensorFlow 版本往往是社区后续适配。这个趋势对新手意味着什么你能找到的 PyTorch 学习资源更多、更新更快、踩坑案例更全。3. 深度学习框架到底解决了什么问题张量、自动求导与训练循环在对比代码之前有必要把框架的本质讲清楚。很多人被“深度学习框架”这个名字吓到以为它是什么黑魔法。其实框架主要就解决了三件事张量计算、自动求导、模型训练与部署。张量Tensor是框架里的“数组”——可以是 0 维的标量、1 维的向量、2 维的矩阵也可以是非常高维的数据结构。图像数据通常被表示为(batch, height, width, channels)的形状文本数据往往被处理成(batch, sequence_length, embedding_dim)的形状。框架负责管理这些张量的形状、数据类型和计算。自动求导Autograd是框架最核心的能力。神经网络训练需要计算损失函数对每个参数w和b的偏导数梯度然后按梯度方向更新参数。手算神经网络梯度极其痛苦而框架通过记录计算图在完成后向传播时自动算出每个参数的梯度。TensorFlow 用tf.GradientTape()记录梯度PyTorch 则通过.backward()自动求导。训练循环是一个看似简单但极其重要的概念。任何深度学习项目都离不开的步骤如下把输入数据喂进网络得到预测结果前向传播。计算预测结果和真实标签之间的损失。通过反向传播求梯度。用优化器更新参数。重复上述过程直到损失收敛。TensorFlow 的model.fit把上面五步封装成一行代码初学者很容易写出模型却不知道训练循环里发生了什么。PyTorch 更鼓励你手动写训练循环刚开始会觉得麻烦但这个过程能让你真正理解模型是怎么学的。这也是很多课程推荐 PyTorch 的一个重要原因被迫面对细节是深度学习入门里最值得的投资。4. 环境准备与安装CPU 版和 GPU 版分别怎么装4.1 安装之前必须明白的几件事无论装哪个框架环境准备的核心逻辑是一样的Python 版本要匹配框架要求推荐 Python 3.9 到 3.12 之间的某个稳定版本具体以官网和 pip 支持情况为准。不要直接安装在系统全局 Python 里要用虚拟环境隔离。GPU 安装需要额外处理 NVIDIA 驱动、CUDA Toolkit、cuDNN 三者的版本关系。关于 CUDA有一个特别容易被初学者忽略的点框架的 CUDA 版本未必等于系统里nvidia-smi显示的 CUDA 版本。nvidia-smi显示的其实是显卡驱动的 CUDA 版本上限而框架自带的 CUDA 运行库可以在这个上限之下运行。新手装 PyTorch GPU 版时经常看到“CUDA 版本不匹配”的错误多数情况下不是驱动问题而是 PyTorch 的 CUDA 版本和系统驱动支持范围不匹配。4.2 创建虚拟环境推荐用 Python 自带的venv或 Anaconda 创建虚拟环境。对于新手Anaconda 的前置复杂度更高但后续管理不同 Python 版本会更方便venv更轻量且足够满足大多数场景。# 创建名为 dl 的虚拟环境指定 Python 版本 python3 -m venv dl # Linux/macOS 激活 source dl/bin/activate # Windows 激活 dl\Scripts\activate如果已经安装了 Anaconda也可以用 conda 创建conda create -n dl python3.10 conda activate dl4.3 PyTorch 安装PyTorch 的官方提示在 pytorch.org 上会根据你的操作系统和 CUDA 版本生成安装命令。下面是典型场景。CPU 版安装pip install torch torchvision torchaudioGPU 版安装以 CUDA 12.x 为例具体版本以官网为准pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这里--index-url表示从 PyTorch 的独立软件源下载而不是从默认的 PyPI。安装完成后在 Python 中验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU only)如果torch.cuda.is_available()返回True说明 GPU 版本配置成功。4.4 TensorFlow 安装TensorFlow 2.18 等近期版本安装比较简单CPU 版直接pip install tensorflowGPU 版需要注意TensorFlow 2.x 在 Linux 上对 GPU 的支持比较成熟Windows 上也有对应支持但强烈建议先确认自己的 TensorFlow 版本对应的 CUDA 和 cuDNN 版本。比较稳妥的方式是安装后运行import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果输出为空列表说明 TensorFlow 没有正确识别 GPU。常见原因是 CUDA/cuDNN 版本不匹配或者 TensorFlow 版本对应的显卡驱动过旧。需要注意的是2024 年之后 TensorFlow 官方对 Windows 原生 GPU 的支持策略有所调整很多开发者转向 WSL2 安装 GPU 版 TensorFlow。如果你使用的是 Windows且安装 GPU 版反复失败WSL2 是更高效的路径。5. 完整示例用两个框架实现同一个手写数字识别模型这一节用相同的任务——MNIST 手写数字识别——分别在 PyTorch 和 TensorFlow 里实现。MNIST 是深度学习的“Hello World”每个数字是 28x28 的灰度图像任务是把 0 到 9 的 10 类数字识别出来。5.1 PyTorch 版本# 文件路径pytorch_mnist.py import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 数据加载与预处理 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) test_dataset datasets.MNIST(root./data, trainFalse, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size1000, shuffleFalse) # 2. 定义网络结构两层全连接 ReLU 激活 class MLP(nn.Module): def __init__(self): super(MLP, self).__init__() self.fc1 nn.Linear(28 * 28, 128) self.fc2 nn.Linear(128, 64) self.fc3 nn.Linear(64, 10) self.relu nn.ReLU() def forward(self, x): x x.view(-1, 28 * 28) x self.relu(self.fc1(x)) x self.relu(self.fc2(x)) x self.fc3(x) return x model MLP() # 3. 定义损失函数和优化器 criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 4. 训练循环 device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) epochs 5 for epoch in range(epochs): model.train() total_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() total_loss loss.item() print(fEpoch {epoch 1}/{epochs}, Loss: {total_loss / len(train_loader):.4f}) # 5. 评估 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(fTest Accuracy: {100 * correct / total:.2f}%)运行方式python pytorch_mnist.py关键逻辑解释nn.Linear是全连接层输入 784 维28x28 展平输出 128 维。CrossEntropyLoss内部包含 Softmax 计算所以网络最后的输出不需要手动加 Softmax。optimizer.zero_grad()每次训练前清空梯度否则梯度会在多个 batch 间叠加。model.eval()和torch.no_grad()是评估阶段的标准写法前者切换 BN/Dropout 行为后者关闭自动求导以节省内存。5.2 TensorFlow / Keras 版本# 文件路径tf_mnist.py import tensorflow as tf from tensorflow.keras import layers, models # 1. 数据加载与预处理 (x_train, y_train), (x_test, y_test) tf.keras.datasets.mnist.load_data() # 归一化到 0~1并增加通道维度 x_train x_train.astype(float32) / 255.0 x_test x_test.astype(float32) / 255.0 x_train x_train[..., tf.newaxis] x_test x_test[..., tf.newaxis] # 标签转为 One-Hot 编码 y_train tf.keras.utils.to_categorical(y_train, 10) y_test tf.keras.utils.to_categorical(y_test, 10) # 2. 定义网络结构 model models.Sequential([ layers.Flatten(input_shape(28, 28, 1)), layers.Dense(128, activationrelu), layers.Dense(64, activationrelu), layers.Dense(10, activationsoftmax) ]) # 3. 编译模型 model.compile( optimizeradam, losscategorical_crossentropy, metrics[accuracy] ) # 4. 训练 history model.fit( x_train, y_train, batch_size64, epochs5, validation_split0.1 ) # 5. 评估 test_loss, test_acc model.evaluate(x_test, y_test, verbose0) print(fTest Accuracy: {test_acc * 100:.2f}%)运行方式python tf_mnist.py两个版本都能在 CPU 上运行几秒钟就能看到损失下降。对比下来你会发现PyTorch 的训练循环是“手写”的每一步都暴露在你面前TensorFlow 的训练循环则被model.fit高度封装。对于一个入门者前者的学习曲线更陡但对底层机制的理解更扎实。6. 从学习到部署两个框架的生产链路对比很多对比文章只谈写代码的体验但真实项目迟早要面临部署问题。这恰恰是 TensorFlow 的老牌优势区也是 PyTorch 这几年重点追赶的领域。TensorFlow 的生产链路包括TensorFlow Serving高性能模型服务系统支持热更新、版本管理、并发请求处理。TF Lite面向移动端和嵌入式设备。TF.js在浏览器和 Node.js 中运行模型。与 Google Cloud 的各种集成。如果你的项目需要稳定地大规模部署模型TensorFlow 这套工具体系经过多年锤炼成熟度很高。但它的问题也很明显工具链学习成本不低而且很多能力与 Google Cloud 绑定更深。PyTorch 的生产链路也在快速补全TorchScript将训练的模型序列化为可在 C 环境运行的形式。TorchServeAWS 和 Meta 共同维护的模型服务框架。ONNX导出模型后可以转成 ONNX Runtime 部署这一条路径已经非常成熟。PyTorch 在大模型推理生态中的优势Hugging Face、vLLM 等主流工具链对 PyTorch 模型的支持是最即时的。从材料看当前大模型领域的部署方案大部分优先支持 PyTorch。如果你关注的是大模型微调和推理PyTorch 生态的优势是非常明显的。更稳妥的判断是传统工业场景中 TensorFlow Serving 的稳定性依然有吸引力但如果你做的是研究、快速验证、大模型相关项目PyTorch 的路径更平滑。7. 常见问题与排查思路新手安装和运行框架时最容易踩坑。下面把高频问题列成表格。问题现象可能原因排查方式解决方案pip 安装 PyTorch 时网络超时默认 PyPI 镜像不稳定查看 pip 报错的具体 URL使用国内镜像源或使用 PyTorch 官方--index-urltorch.cuda.is_available()返回 FalsePyTorch CUDA 版本与驱动不匹配运行nvidia-smi查看驱动支持的 CUDA 版本安装与驱动匹配的 CUDA 版本 PyTorch或升级驱动TensorFlow 无法识别 GPUcuDNN 版本不匹配运行tf.config.list_physical_devices(GPU)按 TensorFlow 官方要求对齐 CUDA/cuDNN 版本训练时 GPU 显存不足batch size 过大查看nvidia-smi显存占用调小 batch size或使用混合精度加载老模型报错weights_only相关警告PyTorch 2.6 起torch.load默认安全策略变化查看完整警告文本明确指定weights_onlyTrue/False尽量只信任可信来源的权重文件Ubuntu 系统配置深度学习环境后驱动“没反应”驱动安装方式不正确或 nouveau 冲突执行nvidia-smi检查内核模块加载情况在纯命令行模式重装 NVIDIA 驱动更新内核模块代码在 CPU 上跑得很慢没有使用 GPU或数据加载成为瓶颈观察训练时 CPU/GPU 占用率安装 GPU 版框架使用DataLoader并设置合理num_workers两个框架装在同一环境互相冲突TensorFlow 和 PyTorch 依赖的 CUDA 库不同查看 pip 依赖树强烈建议用不同虚拟环境分别安装这里重点提一下 PyTorch 2.6 之后的weights_only问题。如果你使用torch.load加载权重会收到一条默认参数变更提示PyTorch 为了反序列化安全把weights_only的默认值改为True。这意味着直接用torch.load加载旧版完整检查点包含自定义对象、优化器状态等可能失败。解决办法是在torch.load中显式设置weights_onlyFalse但这等同于信任该文件的来源。对于安全性和兼容性的权衡建议始终优先校验权重文件的来源。Ubuntu 驱动问题是另一个高频场景。很多新手在 Ubuntu 上按教程装了驱动nvidia-smi却提示找不到驱动。这通常是因为系统仍在用开源的 nouveau 驱动或者内核模块没加载成功。建议先执行nvidia-smi确认驱动状态然后使用ubuntu-drivers devices查看推荐驱动版本重新安装后再重启。8. 新手选择建议与学习路径回到最初的问题2026 年入门到底选哪个框架从材料看最合理的建议是主力学 PyTorch但不要对 TensorFlow 一无所知。这个建议有三个理由第一PyTorch 的代码风格最接近 Python上手阻力最小。它的“手动写训练循环”反而是一个教学优势能让新手理解训练的每一步。第二绝大多数最新模型、论文复现、开源项目都以 PyTorch 为主学习 PyTorch 意味着你拿到新模型源码时能直接读懂、直接运行。对于深度学习入门者来说能够“读代码”比“凭记忆背 API”重要得多。第三TensorFlow 在生产场景仍然大量存在。你毕业后或者在工作中可能遇到维护 TensorFlow 老项目的情况此时哪怕只了解如何使用model.fit也会比从零开始舒服很多。学习路径方面建议按照下面的顺序推进掌握 Python 基础列表推导、字典、类、装饰器至少要有基础的代码读写能力。理解张量操作和 NumPy深度学习框架的Tensor和 NumPy 的ndarray有很多相似之处先熟悉 NumPy 会减轻很多负担。用 PyTorch 完成一个手写数字识别不需要一开始就上 CNN就用全连接网络跑通训练循环。增加模型复杂度从全连接网络升级为 CNN理解卷积层和池化的作用。学习数据加载和预处理Dataset/DataLoader是 PyTorch 项目的重要部分。尝试 Transformer 基础结构即使不从头实现也要理解attention的基本原理。结合具体方向深入图像分类、目标检测、自然语言处理、大模型微调任选一条路线。这里特别强调一下不要一开始就追求“精通”某个框架。框架本质上只是工具真正值钱的是你对神经网络原理、数据处理流程和模型调试方法的理解。框架 API 会更新、版本会迭代但如果基础原理扎实换框架的成本其实很低。9. 最佳实践与工程建议无论选择哪个框架在实际项目中都建议遵守下面这些工程实践。虚拟环境隔离是底线。不同项目使用不同 Python 环境可以避免 TensorFlow 和 PyTorch 的 CUDA 依赖冲突也能避免因为某个项目的依赖升级而破坏其他项目。GPU 显存不是越多越好而是够用就好。很多新手认为显存越大越好实际上日常学习项目中 batch size 设为 32 或 64 已经足够。显存不足时先降低 batch size再考虑换更大显存的机器。代码中把设备抽象出来。不推荐在代码里写死cuda或cpu而是用类似下面的方式统一处理device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device)这样同一份代码既能在本地 CPU 上调试又能在 GPU 服务器上完整训练。训练日志必须记录。即使是学习项目也应该把 loss 变化、学习率、batch size、模型结构、最终精度记录下来。推荐阅读的项目里往往只有“代码 结果”没有“过程记录”而恰恰是那些实验过程和失败经验才是最有学习价值的。保存模型时同时保存结构信息和训练配置。PyTorch 中推荐保存模型参数和优化器状态而不是整个模型对象torch.save({ model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), epoch: epoch, train_loss: total_loss, }, checkpoint.pth)这样可以随时从某个 epoch 继续训练也方便对比不同实验配置。不要忽视数据加载的优化。在 PyTorch 中设置DataLoader的num_workers参数能显著提升数据读取速度但初学者往往忽略它。在 Windows 上需要放在if __name__ __main__块中避免子进程递归。对于 TensorFlow合理使用tf.data.Dataset的map、batch、prefetch也能有效减少数据瓶颈。10. 总结与后续学习方向到这里TensorFlow 与 PyTorch 的核心差异、安装方式、代码示例和工程实践都已经覆盖。需要再次强调的核心判断是2026 年入门深度学习PyTorch 是性价比最高的选择它让你用更小的心智负担理解深度学习的基本流程同时跟上最新的开源生态TensorFlow 则值得了解其基本使用方式以备在生产环境或企业中遇到相关技术栈。读完这篇文章后建议你立刻做两件事第一按照第 4 节的步骤把 PyTorch 环境装好第二把第 5 节的 MNIST 代码完整运行一遍哪怕一开始不理解每一行也要亲眼看到 loss 下降和精度上升的过程。这个“第一次跑通”的体验远比读十篇对比文章更有价值。后续可以继续沿着三条路线深入一是深挖 CNN 和图像任务掌握卷积、池化、BatchNorm 等核心概念二是转向 Transformer 和注意力机制理解当前大模型的基本构建单元并结合 Hugging Face Transformers 进行实践三是学习 ONNX、TensorFlow Lite 等部署工具链把训练好的模型真正放到服务端或移动端运行。无论选哪条路线都建议保持一个习惯读完每一个模型源码都动手在本地跑一遍改一改超参数观察训练曲线的变化。深度学习是实践的科学框架只是进入这个领域的脚手架。
