# 动态图 vs 静态图：深度学习框架到底该怎么选？别再被“概念战”忽悠了

作者：Echo_Wish

---

我发现一个挺有意思的现象：很多刚入门深度学习的朋友，第一次听到 **动态计算图** 和 **静态计算图** 的时候，往往会觉得这是一件特别高深的事情。

什么 **Eager Execution、Graph Mode、Tracing、JIT 编译**……
一堆术语听完之后，人基本已经懵了。

但如果咱们把这件事拆开来看，其实特别简单：

> **动态图像写 Python 程序，静态图像编译程序。**

就像：

```
解释执行 vs 编译执行
```

今天咱们就用最接地气的方式，把这件事彻底聊明白：
**动态图和静态图到底有什么区别？什么时候该选哪个？**

---

# 一、先理解什么是“计算图”

深度学习其实就是一堆数学运算。

比如一个非常简单的神经网络：

```
y = ReLU(Wx + b)
```

如果把这个运算过程画出来，其实就是一个图：

```
x → matmul → add → relu → y
```

这就是所谓的 **计算图（Computation Graph）**。

每一个节点代表一个运算：

* 加法
* 乘法
* 激活函数
* 卷积

边代表 **数据流**。

简单理解：

```
神经网络 = 一张计算图
```

关键问题来了：

> **这张图是“运行时生成”还是“提前定义”？**

于是就有了两种模式。

---

# 二、动态计算图：边跑边建

动态计算图的代表框架是：

* PyTorch
* DyNet
* PaddlePaddle（动态图模式）

特点只有一句话：

> **代码跑到哪，图建到哪。**

来看一个 PyTorch 例子：

```python
import torch
import torch.nn as nn

x = torch.tensor([1.0, 2.0, 3.0])

w = torch.tensor([0.2, 0.3, 0.5], requires_grad=True)

y = (x * w).sum()

print(y)
```

运行流程其实是：

```
执行一行代码
↓
创建一个计算节点
↓
连接到计算图
```

所以整个计算图是在 **运行时动态生成的**。

动态图的一个巨大优点是：

> **调试特别舒服。**

比如你可以随时 print：

```python
print(x * w)
```

甚至可以写复杂控制流：

```python
if y > 0:
    z = y * 2
else:
    z = y * 3
```

这在动态计算图里完全没问题。

所以很多研究人员特别喜欢 PyTorch。

原因很简单：

```
写起来像普通 Python
```

---

# 三、静态计算图：先画图再执行

静态计算图的代表框架：

* TensorFlow 1.x
* MXNet
* Caffe

它的思想完全相反：

> **先定义图，再运行。**

举个 TensorFlow 1.x 的例子：

```python
import tensorflow as tf

x = tf.placeholder(tf.float32)
w = tf.Variable(2.0)

y = x * w

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    result = sess.run(y, feed_dict={x:3})
    print(result)
```

执行流程是：

```
第一步：构建计算图
第二步：提交给执行引擎
第三步：运行
```

所以在静态图里：

```
Python 只是建图工具
```

真正执行的是：

```
底层计算引擎
```

这就像：

```
Python → IR → 执行引擎
```

---

# 四、为什么曾经大家都用静态图？

很多人会问：

> 如果动态图这么方便，为什么早期深度学习框架都用静态图？

答案只有两个字：

```
性能
```

静态图有三个巨大优势。

---

## 1 图优化

因为图是提前定义的，所以系统可以做很多优化。

例如：

```
算子融合
内存复用
常量折叠
```

举个简单例子：

```
y = x * 2
z = y * 3
```

动态图执行：

```
mul
mul
```

静态图可能优化成：

```
mul(x,6)
```

这就是 **Graph Optimization**。

---

## 2 跨设备调度

静态图还能自动做设备分配：

```
GPU
TPU
CPU
```

例如：

```
conv → GPU
embedding → CPU
```

系统可以自动调度。

---

## 3 分布式执行

静态图更容易做：

```
pipeline
graph partition
distributed training
```

所以早期的大规模训练系统几乎都是：

```
静态图
```

---

# 五、动态图为什么后来崛起了？

原因也很现实。

**研究效率。**

研究人员写模型的时候，经常要改结构。

比如：

```
循环神经网络
递归神经网络
动态图结构
```

举个例子：

```python
for node in tree:
    hidden = f(node)
```

如果用静态图：

```
结构必须提前固定
```

这就很难受。

而动态图就很自然：

```
Python 控制流 = 模型结构
```

所以 PyTorch 在学术界迅速流行。

一句话总结：

```
研究人员喜欢动态图
工业界喜欢静态图
```

---

# 六、现代框架其实是“混合模式”

现在事情又发生了变化。

现代框架基本都在做一件事：

> **动态图 + 编译优化**

例如：

PyTorch 的：

```
TorchScript
TorchDynamo
```

简单例子：

```python
import torch

@torch.jit.script
def func(x):
    return x * 2 + 1

print(func(torch.tensor(3)))
```

执行流程变成：

```
动态图
↓
Tracing
↓
静态图
↓
优化执行
```

所以今天的深度学习框架，其实已经不是：

```
动态图 vs 静态图
```

而是：

```
动态图开发
静态图执行
```

---

# 七、真实项目里到底怎么选？

我给大家一个非常实用的建议。

如果你是：

### 1 算法研究

选：

```
PyTorch 动态图
```

原因：

```
调试方便
开发效率高
社区生态强
```

---

### 2 大规模训练

可以考虑：

```
JAX
TensorFlow
PyTorch + torch.compile
```

原因：

```
编译优化
更高性能
```

---

### 3 工业推理部署

基本都会转成：

```
ONNX
TensorRT
TVM
```

例如：

```python
torch.onnx.export(model, x, "model.onnx")
```

推理系统执行的其实是：

```
静态图
```

---

# 八、我对这件事的一点真实看法

很多技术争论其实挺有意思的。

曾经有一段时间，社区吵得特别凶：

```
动态图派
vs
静态图派
```

但今天再回头看，你会发现：

> **真正成熟的系统从来不是二选一。**

而是：

```
开发体验 → 动态图
执行效率 → 静态图
```

换句话说：

**动态图解决人类问题。
静态图解决机器问题。**

而现代深度学习框架做的一件事就是：

```
让人写动态图
让机器跑静态图
```

这其实是一种非常优雅的工程设计。

---

# 结尾

如果用一句特别简单的话总结：

```
动态图：像写 Python
静态图：像编译程序
```




我发现一个挺有意思的现象：很多刚入门深度学习的朋友，第一次听到 动态计算图 和 静态计算图 的时候，往往会觉得这是一件特别高深的事情。

动态图 vs 静态图：深度学习框架到底该怎么选？别再被“概念战”忽悠了

人工智能

开发工具

后端

动态图与静态图深度解析：PyTorch动态图调试便捷适合研究，TensorFlow静态图优化性能适合工业部署。现代框架融合两者优势，动态图开发+静态图执行，实现高效深度学习模型构建与优化。

循环神经网络

深度学习框架

深度学习

数据流

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

动态图 vs 静态图：深度学习框架到底该怎么选？别再被“概念战”忽悠了-腾讯云开发者社区-腾讯云

动态图 vs 静态图：深度学习框架到底该怎么选？别再被“概念战”忽悠了

动态图 vs 静态图：深度学习框架到底该怎么选？别再被“概念战”忽悠了

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐