都2026年了入门深度学习还在纠结 TensorFlow 和 PyTorch 二选一这篇文章把安装、原理、第一个项目全流程讲清楚直接告诉你“先学谁、怎么学、项目怎么跑”。这次我们来看一个从 2020 年争论到 2026 年的话题入门深度学习到底该选 TensorFlow 还是 PyTorch不是概念对比 PPT而是从安装到跑通第一个模型再到项目落地的完整路线。文章会覆盖两个框架的核心差异、环境准备、GPU 版安装、张量和自动微分原理、一个图像分类小项目的双框架实现、模型导出与接口化以及新手最常见的坑。如果你正准备在 2026 年入门深度学习或者需要在 TensorFlow 和 PyTorch 之间做选型这篇文章建议直接收藏。先说结论倾向如果你是纯新手、要快速出成果、之后打算做研究或接触最新模型首选 PyTorch如果你在工业界、已有 TensorFlow 生态依赖、需要明确的生产部署链路TensorFlow 依然值得学。但无论选哪个深度学习核心知识是相通的这篇文章会帮你建立一套“以不变应万变”的入门框架。1. 核心能力速览TensorFlow 与 PyTorch 在 2026 年到底差在哪很多人纠结选型是因为总听说“PyTorch 更好用”“TensorFlow 更工业”但实际对比后会发现成熟框架之间的能力差距远小于使用习惯的差距。对比维度TensorFlowPyTorch首版发布2015 年Google 主导2016 年Meta原 Facebook主导当前主要形态TensorFlow 2.xKeras 为默认高层 API动态计算图 TorchScript / torch.compile编程风格静态图思维 动态图Eager兼容原生动态图调试接近 NumPy学习曲线早期版本偏陡2.x 后大幅改善上手直观适合新手科研论文用度仍有一定存量但新论文明显偏少近年论文复现、开源模型的首选生产部署TF Serving、TF Lite、TF.js 生态完整TorchServe、ONNX Runtime、vLLM 等生态追赶明显最新模型支持开源模型一般会提供权重但新特性跟进较慢新模型、新算子、新训练技巧通常最快跟进适合人群工业场景、已有 TF 工程、移动端科研、教学、竞赛、快速原型API 稳定性历史包袱较多存在同名 API 差异API 设计更一致迁移成本低入门配套资料官方教程完善但部分内容偏旧官方教程持续更新社区教程极多从表格看2026 年入门深度学习时PyTorch 是阻力更小的一条路。但 TensorFlow 并未“凉”只是目标用户更聚焦。1.1 为什么“选框架”比“学算法”更让人纠结深度学习入门的核心是理解神经网络、损失函数、优化器、数据管道。这些概念是框架无关的。新手纠结 TensorFlow 还是 PyTorch本质是在选工具链而不是选知识体系。我用一个更直白的类比TensorFlow 像一套完整的工控系统启动慢、组件多但组装好之后很稳PyTorch 像一把趁手的电钻拿起来就能钻换钻头也方便。你需要的不是永远争论电钻品牌而是先学会钻孔。2. 适用场景与使用边界不同情况怎么选深度学习框架不是越多越好选型取决于你现在的身份和未来一年的目标。2.1 学生 / 科研入门者选 PyTorch如果你的目标是理解论文、跑开源模型、快速验证想法PyTorch 的调试体验会节省大量时间。直接用print(tensor.shape)就能看到中间结果不需要为静态图做额外抽象。当前主流开源项目、最新论文的官方实现大部分优先提供 PyTorch 版本。2.2 工业应用工程师TensorFlow 和 PyTorch 都要会一点如果公司已有 TensorFlow 推理链路你绕不开它。但如果从零搭建新系统PyTorch ONNX Runtime 已经完全能承担生产任务。这里我的建议是以 PyTorch 作为日常训练框架以 ONNX 作为交接格式这样即使部署端是 TensorFlow Serving也能通过 ONNX 转换完成对接。2.3 不适合的场景不要“框架换乘”很多新手学了一个月 TensorFlow因为网上都说 PyTorch 好又从头学 PyTorch。这是效率最低的行为。入门阶段选定一个框架至少完成两个完整项目后再跨框架迁移。框架迁移应该在理解模型原理之后做而不是在焦虑之下做。2.4 版权与合规边界深度学习框架本身是开源工具但使用时要注意三点模型权重可能带开源协议如 LLaMA 系列、Stable Diffusion 系列有各自许可训练数据涉及版权内容或个人信息时需要确认授权商用项目要检查依赖组件的 License。所有框架和模型文件都应通过官方渠道下载不要使用来路不明的整合包。3. 环境准备与前置条件安装之前一次说清无论选 TensorFlow 还是 PyTorch环境准备工作相似。下面是一份适合 2026 年入门者的通用检查清单。3.1 操作系统与 Python 版本操作系统Windows 10/11、Ubuntu 20.04/22.04/24.04、macOSApple Silicon 建议用 MPS但 Linux 仍是深度学习主力。Python建议使用 3.9 到 3.12 之间的版本具体要看框架官方支持范围。TensorFlow 和 PyTorch 每年都在调整支持矩阵安装前先查官网。包管理工具推荐 conda 或 venv pip不要直接装在系统 Python 里。3.2 GPU 与 NVIDIA 驱动GPU 训练不是必需但推荐。你需要一张 NVIDIA 显卡显存 4GB 以上可以跑入门模型6GB 以上更从容8GB 及以上可以覆盖大部分主流 CV 模型。安装 NVIDIA 显卡驱动然后在终端输入nvidia-smi确认驱动可用。根据驱动版本选择 CUDA 和 cuDNN。这里有一个常见误区不是 CUDA 版本越高越好而是PyTorch 或 TensorFlow 的预编译包需要什么 CUDA就用什么 CUDA。nvidia-smi输出中可以看到驱动版本和最高支持的 CUDA 版本。但在 2026 年多数情况下你不需要手动安装全套 CUDA。PyTorch 和 TensorFlow 的 pip 包会自带 CUDA 运行库你只需要保证驱动版本足够新。3.3 虚拟环境隔离强烈建议为每个项目创建独立虚拟环境。不同项目依赖不同的 TensorFlow/PyTorch 版本一旦全局环境冲突重装代价极高。# 创建虚拟环境示例 Python 3.10 python -m venv dl_workshop # Windows 激活 dl_workshop\Scripts\activate # Linux/macOS 激活 source dl_workshop/bin/activate3.4 国内网络环境下的安装加速如果你使用国内网络环境安装大体积包时建议配置 pip 镜像源否则容易超时。以下是一个常用镜像配置示例pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple注意pip 镜像只影响 Python 包不影响 CUDA 运行库。PyTorch 的 CUDA 版本安装需要指定--index-url具体地址以官网为准。4. 安装部署TensorFlow 与 PyTorch 双框架搭建下面给出两个框架的安装命令示例。这里只提供通用模板实际安装前务必去官网确认最新版本和 CUDA 版本要求。4.1 安装 TensorFlowTensorFlow 2.x 默认支持 CPU 和 NVIDIA GPU需要对应 CUDA 运行库。以tensorflow主包为例pip install tensorflow如果你需要特定版本比如安装 2.18 左右版本pip install tensorflow2.18.*安装完成后验证import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果 GPU 列表为空说明驱动或 CUDA 运行库不匹配。TensorFlow 官方对 CUDA 版本有严格要求最常见的问题是“驱动新但 CUDA 版本不对”。4.2 安装 PyTorchPyTorch 安装命令会在官网动态生成。通用做法是先到 pytorch.org 选择你的系统、包管理方式、CUDA 版本然后复制官方给出的命令。CPU 版本示例pip install torch torchvision torchaudioCUDA 版本示例具体 index-url 以官网为准pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装后验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果torch.cuda.is_available()返回False优先检查驱动、虚拟环境是否激活、安装的是不是 CPU 版。4.3 关于 PyTorch 2.x 近期的安装注意点从近期社区反馈看PyTorch 2.6 开始对一部分 API 默认值进行了调整例如torch.load的weights_only参数默认值发生变化。如果你运行旧项目时遇到加载权重报错不要急着重装框架先看报错信息里是否提示需要显式设置weights_onlyFalse。这是升级兼容性问题不是框架坏了。# 示例加载旧权重时可能需要显式指定 import torch # state_dict torch.load(model.pth, weights_onlyFalse)5. 原理详解用“最小模型”讲透张量、自动微分和训练循环在写第一个项目之前先建立最小的原理地图。搞懂下面这三个概念你就不会被框架绕晕。5.1 张量带形状的多维数组TensorFlow 叫tf.TensorPyTorch 叫torch.Tensor。它们本质都是多维数组只是命名不同。你在纸上画一个 2×3 的矩阵在代码里就是# PyTorch import torch x torch.tensor([[1., 2., 3.], [4., 5., 6.]]) print(x.shape) # torch.Size([2, 3]) # TensorFlow import tensorflow as tf y tf.constant([[1., 2., 3.], [4., 5., 6.]]) print(y.shape) # (2, 3)张量的核心操作就是 shape 变化reshape、转置、增加维度、减少维度、拼接。新手最需要练的就是“看一个张量的 shape知道它在做什么”。5.2 自动微分深度学习的关键引擎框架之所以能训练神经网络核心是自动微分。你不用手推梯度公式框架会在前向计算时记录计算图然后在反向传播时自动计算每个参数的梯度。PyTorch 中设置requires_gradTrue后反向传播会自动填充.gradimport torch x torch.tensor([2.0], requires_gradTrue) y x ** 2 y.backward() print(x.grad) # tensor([4.])TensorFlow 中通过GradientTape实现相似功能import tensorflow as tf x tf.Variable(2.0) with tf.GradientTape() as tape: y x ** 2 grad tape.gradient(y, x) print(grad.numpy()) # 4.05.3 训练循环数据、模型、损失、优化器的固定四步无论 TensorFlow 还是 PyTorch训练循环都包含四步从数据集中取一个 batch。前向传播计算预测值和损失。反向传播计算梯度。优化器更新参数。PyTorch 的经典写法optimizer.zero_grad() loss criterion(model(data), target) loss.backward() optimizer.step()TensorFlow 的经典写法GradientTapewith tf.GradientTape() as tape: predictions model(data) loss criterion(target, predictions) grads tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables))你会发现两个框架的训练循环只是同一件事的两种表达。这一步想通后面的项目实战就顺了。6. 入门项目实战用双框架实现手写数字图像分类这里给出一个典型入门项目基于 MNIST 数据集的手写数字分类。数据可以在线下载也可以用本地图像目录。下面脚本是“最小可运行”的教学示例实际项目需要按数据路径调整。6.1 PyTorch 实现示例import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms # 1. 数据准备 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) # 2. 定义模型 class SimpleNet(nn.Module): def __init__(self): super().__init__() self.flatten nn.Flatten() self.fc nn.Sequential( nn.Linear(28 * 28, 128), nn.ReLU(), nn.Linear(128, 10) ) def forward(self, x): return self.fc(self.flatten(x)) model SimpleNet() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 3. 训练一个 epoch 示例 model.train() for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() print(PyTorch 训练完成loss, loss.item())6.2 TensorFlow 实现示例import tensorflow as tf # 1. 数据准备 (x_train, y_train), _ tf.keras.datasets.mnist.load_data() x_train x_train.astype(float32) / 255.0 # 2. 定义模型 model tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(10, activationsoftmax) ]) # 3. 编译 model.compile( optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy] ) # 4. 训练 model.fit(x_train, y_train, epochs1, batch_size64)从代码量看TensorFlow 的 Keras 高层 API 更短PyTorch 则更显式。新手不需要纠结哪段代码“更好”而是要看哪段代码更让你理解原理。6.3 判断项目成功的标准训练过程中 loss 下降。至少一个 epoch 能跑完且没有显存溢出。训练完成后对测试集做一个简单评估准确率能达到 90% 以上MNIST 上这个目标并不难。如果数据量较大建议加上验证集观察是否出现过拟合。6.4 常见失败原因现象排查方向数据下载慢或失败检查网络或提前下载数据集放到本地路径显存不足调小 batch_size从 64 改成 32 或 16loss 不下降检查学习率是否过大/过小检查数据归一化训练完准确率低确认 label 是否对齐检查损失函数选择CPU 训练慢减少 epoch先验证流程跑通再换 GPU7. 项目怎么继续从“能跑”到“能交付”入门项目跑通后下一步不是急着学更多网络结构而是学会“像工程师一样交付模型”。这个环节包含模型导出、接口化和批量推理。7.1 模型保存与导出PyTorch 保存权重torch.save(model.state_dict(), model.pth)TensorFlow 保存整个模型model.save(mnist_model.keras)如果要跨框架使用ONNX 是通用中间格式。7.2 ONNX 导出示例先安装pip install onnx onnxruntime再把 PyTorch 模型导出为 ONNXimport torch dummy_input torch.randn(1, 1, 28, 28) model.eval() torch.onnx.export( model, dummy_input, mnist_model.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} )然后使用 ONNX Runtime 做推理import onnxruntime as ort import numpy as np sess ort.InferenceSession(mnist_model.onnx) input_name sess.get_inputs()[0].name input_data np.random.randn(1, 1, 28, 28).astype(np.float32) outputs sess.run(None, {input_name: input_data}) print(outputs[0].shape)7.3 API 服务化思路模型训练完成后可以封装为一个本地 HTTP 服务。常见做法是使用 FastAPI 或 Flask接收图像请求预处理后调用模型推理返回预测结果。以下是一个 FastAPI 风格的通用模板from fastapi import FastAPI, UploadFile import io import numpy as np import onnxruntime as ort app FastAPI() sess ort.InferenceSession(mnist_model.onnx) app.post(/predict) async def predict(file: UploadFile): content await file.read() # 这里需要按项目实际情况做图像解码、resize、归一化 image np.random.randn(1, 1, 28, 28).astype(np.float32) outputs sess.run(None, {input: image}) return {prediction: int(np.argmax(outputs[0][0]))}注意UploadFile读取的是原始字节真实项目需要调用图像处理库解码和预处理。以上代码只提供接口骨架。7.4 批量任务设计如果需要对一批图片做推理不要循环单张调用 HTTP 接口应在服务端做一个批量目录或队列inputs/ image_001.jpg image_002.jpg ... outputs/ result_001.json result_002.jsonPython 脚本批量遍历输入目录调用 ONNX Runtime 会话将结果写入 JSON 文件。这样比单张接口调用更稳定也更容易做失败重试。批量推理通用模板import onnxruntime as ort from pathlib import Path import json sess ort.InferenceSession(mnist_model.onnx) input_dir Path(./inputs) output_dir Path(./outputs) output_dir.mkdir(exist_okTrue) for img_path in input_dir.glob(*.jpg): # 此处应补全图像解码、预处理逻辑 input_tensor __import__(numpy).random.randn(1, 1, 28, 28).astype(float32) result sess.run(None, {input: input_tensor})[0] pred int(result.argmax(axis1)[0]) (output_dir / f{img_path.stem}.json).write_text( json.dumps({file: img_path.name, prediction: pred}) ) print(fprocessed {img_path.name})8. 资源占用与性能观察训练时看什么很多新手跑通代码之后不知道“快”和“慢”差在哪。入门阶段建议观察三个指标。8.1 显存占用GPU 显存占用取决于模型大小、batch_size 和输入分辨率。观察方式nvidia-smi -l 1也可以在代码里打印# PyTorch print(torch.cuda.memory_allocated() / 1024**2, MB)入门级 MNIST 项目显存占用通常很低。如果你的 batch_size 放大到 128 或 256显存会增加如果跑大模型显存不足时会直接报 CUDA out of memory。8.2 CPU vs GPU 差异CPU 能跑但慢。GPU 的优势在矩阵运算并行度高时最明显。同一个 MNIST 项目CPU 可能每个 epoch 需要几十秒到几分钟GPU 可能只需要几秒。入门阶段不要过度纠结性能先保证流程跑通。8.3 如何降低显存和加速调小 batch_size。降低输入图像分辨率。使用混合精度训练。PyTorch 中可用torch.cuda.ampTensorFlow 中可用mixed_float16。释放无用变量必要时调用torch.cuda.empty_cache()。8.4 端口与进程残留如果你启动了 API 服务训练完记得关闭进程否则端口会被占用。排查端口占用# Windows netstat -ano | findstr 8000 # Linux lsof -i :80009. 常见问题与排查方法TensorFlow 和 PyTorch 新手必看问题现象可能原因排查方式解决方案pip 安装超时网络连接不稳定查看 pip 报错使用国内镜像或重试安装 PyTorch 后cuda.is_available()为 False安装的是 CPU 版输入torch.__version__查看是否带cu后缀按官网 CUDA 命令重装TensorFlow 找不到 GPUCUDA/cuDNN 与驱动不匹配打印tf.config.list_physical_devices(GPU)查官方 CUDA 支持矩阵调整版本torch.load权重报错PyTorch 2.6 后weights_only默认值变化看报错信息是否提及 weights_only明确设置weights_onlyTrue/False训练时 CUDA out of memorybatch_size 过大 / 分辨率过高查看 nvidia-smi调小 batch_size或降低分辨率接口启动后无法访问防火墙 / 端口占用 / 服务未监听检查启动日志和端口更换端口确认 host 设为 127.0.0.1 或所需地址模型导出 ONNX 失败输入维度或动态轴定义错误查看导出报错检查 dummy_input 的 shape 和 dynamic_axes中文路径导致读取失败编码或路径兼容问题检查数据集路径使用纯英文路径训练 loss 不降学习率不合适 / 数据未归一化打印前几个 batch 的 loss调整学习率检查数据范围10. 最佳实践2026 年入门深度学习的工程化建议以下建议不是“进阶内容”而是能让你少走弯路的基础配置。10.1 第一次先小参数测试无论跑什么项目第一次运行都用最小参数batch_size 小一点、epoch 少一点、分辨率低一点。目的不是出结果而是验证数据流、前向传播、反向传播是否正常。10.2 保留一套最小可运行配置把上面 MNIST 项目收进一个文件夹记录 Python 版本、框架版本、CUDA 版本。以后安装任何新环境都以这套配置作为对照。环境问题排查时这套“能跑的版本”就是你最可靠的回退点。10.3 目录管理建议一个完整项目包含以下目录project/ data/ # 数据集 models/ # 模型权重、ONNX 文件 scripts/ # 训练、推理、导出脚本 outputs/ # 预测结果、日志 requirements.txt README.md这样一来模型文件、输入素材、输出结果不会混在一起。批量任务或换机器时只需拷贝requirements.txt和代码目录不需要搬运全部数据。10.4 接口服务限制访问范围本地调试接口时默认监听127.0.0.1。如果部署到服务器要设置访问控制避免未授权访问。涉及人脸、声音、私人数据时必须确认数据来源合法并且只在测试环境验证。10.5 发布前做效果复核模型不是“能跑”就结束。发布或商用前至少要验证三件事测试集准确率是否达标不同输入下的输出是否稳定有无涉及版权、隐私或安全边界问题。11. 总结与下一步TensorFlow 还是 PyTorch回到最初的问题2026 年入门深度学习TensorFlow 和 PyTorch 怎么选我的建议可以概括为三点。第一如果你还没有实际跑过任何一个深度学习程序先用 PyTorch 把本文的 MNIST 项目跑通。动态图调试体验对新手极其友好社区资料也最丰富。这个过程应该控制在两天以内不要拖太久。第二TensorFlow 不需要完全跳过。如果你所在的公司或实验室已经使用 TensorFlow 生态或者你倾向于从事模型部署工作可以学完 PyTorch 入门后用 TensorFlow 重新实现一遍同样的项目。你会发现迁移成本远低于预期。第三框架只是工具深度学习的关键在数据处理、模型结构、训练策略和工程化能力。2026 年没有“唯一正确”的框架只有“当前目标下更顺手”的工具。现在最值得做的是把你手上那个“收藏从未停止行动从未开始”的项目找出来先跑通一个 epoch。下一步可以继续扩展的方向从 MNIST 换成 CIFAR-10从全连接网络换成卷积神经网络从单机训练换成数据并行或者把导出的 ONNX 模型封装成 HTTP 服务。每一步都建立在前一步可运行的基础之上。建议先按本文第 4 节装好环境然后直接跳到第 6 节跑第一个项目。代码能跑起来比看任何框架争论都有用。 
长河君 · 2026/8/31 10:19:51 · 阅读 1.2k 2026入门深度学习：TensorFlow还是PyTorch？安装到项目实战全解析
都2026年了入门深度学习还在纠结 TensorFlow 和 PyTorch 二选一这篇文章把安装、原理、第一个项目全流程讲清楚直接告诉你“先学谁、怎么学、项目怎么跑”。这次我们来看一个从 2020 年争论到 2026 年的话题入门深度学习到底该选 TensorFlow 还是 PyTorch不是概念对比 PPT而是从安装到跑通第一个模型再到项目落地的完整路线。文章会覆盖两个框架的核心差异、环境准备、GPU 版安装、张量和自动微分原理、一个图像分类小项目的双框架实现、模型导出与接口化以及新手最常见的坑。如果你正准备在 2026 年入门深度学习或者需要在 TensorFlow 和 PyTorch 之间做选型这篇文章建议直接收藏。先说结论倾向如果你是纯新手、要快速出成果、之后打算做研究或接触最新模型首选 PyTorch如果你在工业界、已有 TensorFlow 生态依赖、需要明确的生产部署链路TensorFlow 依然值得学。但无论选哪个深度学习核心知识是相通的这篇文章会帮你建立一套“以不变应万变”的入门框架。1. 核心能力速览TensorFlow 与 PyTorch 在 2026 年到底差在哪很多人纠结选型是因为总听说“PyTorch 更好用”“TensorFlow 更工业”但实际对比后会发现成熟框架之间的能力差距远小于使用习惯的差距。对比维度TensorFlowPyTorch首版发布2015 年Google 主导2016 年Meta原 Facebook主导当前主要形态TensorFlow 2.xKeras 为默认高层 API动态计算图 TorchScript / torch.compile编程风格静态图思维 动态图Eager兼容原生动态图调试接近 NumPy学习曲线早期版本偏陡2.x 后大幅改善上手直观适合新手科研论文用度仍有一定存量但新论文明显偏少近年论文复现、开源模型的首选生产部署TF Serving、TF Lite、TF.js 生态完整TorchServe、ONNX Runtime、vLLM 等生态追赶明显最新模型支持开源模型一般会提供权重但新特性跟进较慢新模型、新算子、新训练技巧通常最快跟进适合人群工业场景、已有 TF 工程、移动端科研、教学、竞赛、快速原型API 稳定性历史包袱较多存在同名 API 差异API 设计更一致迁移成本低入门配套资料官方教程完善但部分内容偏旧官方教程持续更新社区教程极多从表格看2026 年入门深度学习时PyTorch 是阻力更小的一条路。但 TensorFlow 并未“凉”只是目标用户更聚焦。1.1 为什么“选框架”比“学算法”更让人纠结深度学习入门的核心是理解神经网络、损失函数、优化器、数据管道。这些概念是框架无关的。新手纠结 TensorFlow 还是 PyTorch本质是在选工具链而不是选知识体系。我用一个更直白的类比TensorFlow 像一套完整的工控系统启动慢、组件多但组装好之后很稳PyTorch 像一把趁手的电钻拿起来就能钻换钻头也方便。你需要的不是永远争论电钻品牌而是先学会钻孔。2. 适用场景与使用边界不同情况怎么选深度学习框架不是越多越好选型取决于你现在的身份和未来一年的目标。2.1 学生 / 科研入门者选 PyTorch如果你的目标是理解论文、跑开源模型、快速验证想法PyTorch 的调试体验会节省大量时间。直接用print(tensor.shape)就能看到中间结果不需要为静态图做额外抽象。当前主流开源项目、最新论文的官方实现大部分优先提供 PyTorch 版本。2.2 工业应用工程师TensorFlow 和 PyTorch 都要会一点如果公司已有 TensorFlow 推理链路你绕不开它。但如果从零搭建新系统PyTorch ONNX Runtime 已经完全能承担生产任务。这里我的建议是以 PyTorch 作为日常训练框架以 ONNX 作为交接格式这样即使部署端是 TensorFlow Serving也能通过 ONNX 转换完成对接。2.3 不适合的场景不要“框架换乘”很多新手学了一个月 TensorFlow因为网上都说 PyTorch 好又从头学 PyTorch。这是效率最低的行为。入门阶段选定一个框架至少完成两个完整项目后再跨框架迁移。框架迁移应该在理解模型原理之后做而不是在焦虑之下做。2.4 版权与合规边界深度学习框架本身是开源工具但使用时要注意三点模型权重可能带开源协议如 LLaMA 系列、Stable Diffusion 系列有各自许可训练数据涉及版权内容或个人信息时需要确认授权商用项目要检查依赖组件的 License。所有框架和模型文件都应通过官方渠道下载不要使用来路不明的整合包。3. 环境准备与前置条件安装之前一次说清无论选 TensorFlow 还是 PyTorch环境准备工作相似。下面是一份适合 2026 年入门者的通用检查清单。3.1 操作系统与 Python 版本操作系统Windows 10/11、Ubuntu 20.04/22.04/24.04、macOSApple Silicon 建议用 MPS但 Linux 仍是深度学习主力。Python建议使用 3.9 到 3.12 之间的版本具体要看框架官方支持范围。TensorFlow 和 PyTorch 每年都在调整支持矩阵安装前先查官网。包管理工具推荐 conda 或 venv pip不要直接装在系统 Python 里。3.2 GPU 与 NVIDIA 驱动GPU 训练不是必需但推荐。你需要一张 NVIDIA 显卡显存 4GB 以上可以跑入门模型6GB 以上更从容8GB 及以上可以覆盖大部分主流 CV 模型。安装 NVIDIA 显卡驱动然后在终端输入nvidia-smi确认驱动可用。根据驱动版本选择 CUDA 和 cuDNN。这里有一个常见误区不是 CUDA 版本越高越好而是PyTorch 或 TensorFlow 的预编译包需要什么 CUDA就用什么 CUDA。nvidia-smi输出中可以看到驱动版本和最高支持的 CUDA 版本。但在 2026 年多数情况下你不需要手动安装全套 CUDA。PyTorch 和 TensorFlow 的 pip 包会自带 CUDA 运行库你只需要保证驱动版本足够新。3.3 虚拟环境隔离强烈建议为每个项目创建独立虚拟环境。不同项目依赖不同的 TensorFlow/PyTorch 版本一旦全局环境冲突重装代价极高。# 创建虚拟环境示例 Python 3.10 python -m venv dl_workshop # Windows 激活 dl_workshop\Scripts\activate # Linux/macOS 激活 source dl_workshop/bin/activate3.4 国内网络环境下的安装加速如果你使用国内网络环境安装大体积包时建议配置 pip 镜像源否则容易超时。以下是一个常用镜像配置示例pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple注意pip 镜像只影响 Python 包不影响 CUDA 运行库。PyTorch 的 CUDA 版本安装需要指定--index-url具体地址以官网为准。4. 安装部署TensorFlow 与 PyTorch 双框架搭建下面给出两个框架的安装命令示例。这里只提供通用模板实际安装前务必去官网确认最新版本和 CUDA 版本要求。4.1 安装 TensorFlowTensorFlow 2.x 默认支持 CPU 和 NVIDIA GPU需要对应 CUDA 运行库。以tensorflow主包为例pip install tensorflow如果你需要特定版本比如安装 2.18 左右版本pip install tensorflow2.18.*安装完成后验证import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices(GPU))如果 GPU 列表为空说明驱动或 CUDA 运行库不匹配。TensorFlow 官方对 CUDA 版本有严格要求最常见的问题是“驱动新但 CUDA 版本不对”。4.2 安装 PyTorchPyTorch 安装命令会在官网动态生成。通用做法是先到 pytorch.org 选择你的系统、包管理方式、CUDA 版本然后复制官方给出的命令。CPU 版本示例pip install torch torchvision torchaudioCUDA 版本示例具体 index-url 以官网为准pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121安装后验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果torch.cuda.is_available()返回False优先检查驱动、虚拟环境是否激活、安装的是不是 CPU 版。4.3 关于 PyTorch 2.x 近期的安装注意点从近期社区反馈看PyTorch 2.6 开始对一部分 API 默认值进行了调整例如torch.load的weights_only参数默认值发生变化。如果你运行旧项目时遇到加载权重报错不要急着重装框架先看报错信息里是否提示需要显式设置weights_onlyFalse。这是升级兼容性问题不是框架坏了。# 示例加载旧权重时可能需要显式指定 import torch # state_dict torch.load(model.pth, weights_onlyFalse)5. 原理详解用“最小模型”讲透张量、自动微分和训练循环在写第一个项目之前先建立最小的原理地图。搞懂下面这三个概念你就不会被框架绕晕。5.1 张量带形状的多维数组TensorFlow 叫tf.TensorPyTorch 叫torch.Tensor。它们本质都是多维数组只是命名不同。你在纸上画一个 2×3 的矩阵在代码里就是# PyTorch import torch x torch.tensor([[1., 2., 3.], [4., 5., 6.]]) print(x.shape) # torch.Size([2, 3]) # TensorFlow import tensorflow as tf y tf.constant([[1., 2., 3.], [4., 5., 6.]]) print(y.shape) # (2, 3)张量的核心操作就是 shape 变化reshape、转置、增加维度、减少维度、拼接。新手最需要练的就是“看一个张量的 shape知道它在做什么”。5.2 自动微分深度学习的关键引擎框架之所以能训练神经网络核心是自动微分。你不用手推梯度公式框架会在前向计算时记录计算图然后在反向传播时自动计算每个参数的梯度。PyTorch 中设置requires_gradTrue后反向传播会自动填充.gradimport torch x torch.tensor([2.0], requires_gradTrue) y x ** 2 y.backward() print(x.grad) # tensor([4.])TensorFlow 中通过GradientTape实现相似功能import tensorflow as tf x tf.Variable(2.0) with tf.GradientTape() as tape: y x ** 2 grad tape.gradient(y, x) print(grad.numpy()) # 4.05.3 训练循环数据、模型、损失、优化器的固定四步无论 TensorFlow 还是 PyTorch训练循环都包含四步从数据集中取一个 batch。前向传播计算预测值和损失。反向传播计算梯度。优化器更新参数。PyTorch 的经典写法optimizer.zero_grad() loss criterion(model(data), target) loss.backward() optimizer.step()TensorFlow 的经典写法GradientTapewith tf.GradientTape() as tape: predictions model(data) loss criterion(target, predictions) grads tape.gradient(loss, model.trainable_variables) optimizer.apply_gradients(zip(grads, model.trainable_variables))你会发现两个框架的训练循环只是同一件事的两种表达。这一步想通后面的项目实战就顺了。6. 入门项目实战用双框架实现手写数字图像分类这里给出一个典型入门项目基于 MNIST 数据集的手写数字分类。数据可以在线下载也可以用本地图像目录。下面脚本是“最小可运行”的教学示例实际项目需要按数据路径调整。6.1 PyTorch 实现示例import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision import datasets, transforms # 1. 数据准备 transform transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,)) ]) train_dataset datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) # 2. 定义模型 class SimpleNet(nn.Module): def __init__(self): super().__init__() self.flatten nn.Flatten() self.fc nn.Sequential( nn.Linear(28 * 28, 128), nn.ReLU(), nn.Linear(128, 10) ) def forward(self, x): return self.fc(self.flatten(x)) model SimpleNet() criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001) # 3. 训练一个 epoch 示例 model.train() for images, labels in train_loader: optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() print(PyTorch 训练完成loss, loss.item())6.2 TensorFlow 实现示例import tensorflow as tf # 1. 数据准备 (x_train, y_train), _ tf.keras.datasets.mnist.load_data() x_train x_train.astype(float32) / 255.0 # 2. 定义模型 model tf.keras.Sequential([ tf.keras.layers.Flatten(input_shape(28, 28)), tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(10, activationsoftmax) ]) # 3. 编译 model.compile( optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy] ) # 4. 训练 model.fit(x_train, y_train, epochs1, batch_size64)从代码量看TensorFlow 的 Keras 高层 API 更短PyTorch 则更显式。新手不需要纠结哪段代码“更好”而是要看哪段代码更让你理解原理。6.3 判断项目成功的标准训练过程中 loss 下降。至少一个 epoch 能跑完且没有显存溢出。训练完成后对测试集做一个简单评估准确率能达到 90% 以上MNIST 上这个目标并不难。如果数据量较大建议加上验证集观察是否出现过拟合。6.4 常见失败原因现象排查方向数据下载慢或失败检查网络或提前下载数据集放到本地路径显存不足调小 batch_size从 64 改成 32 或 16loss 不下降检查学习率是否过大/过小检查数据归一化训练完准确率低确认 label 是否对齐检查损失函数选择CPU 训练慢减少 epoch先验证流程跑通再换 GPU7. 项目怎么继续从“能跑”到“能交付”入门项目跑通后下一步不是急着学更多网络结构而是学会“像工程师一样交付模型”。这个环节包含模型导出、接口化和批量推理。7.1 模型保存与导出PyTorch 保存权重torch.save(model.state_dict(), model.pth)TensorFlow 保存整个模型model.save(mnist_model.keras)如果要跨框架使用ONNX 是通用中间格式。7.2 ONNX 导出示例先安装pip install onnx onnxruntime再把 PyTorch 模型导出为 ONNXimport torch dummy_input torch.randn(1, 1, 28, 28) model.eval() torch.onnx.export( model, dummy_input, mnist_model.onnx, input_names[input], output_names[output], dynamic_axes{input: {0: batch_size}, output: {0: batch_size}} )然后使用 ONNX Runtime 做推理import onnxruntime as ort import numpy as np sess ort.InferenceSession(mnist_model.onnx) input_name sess.get_inputs()[0].name input_data np.random.randn(1, 1, 28, 28).astype(np.float32) outputs sess.run(None, {input_name: input_data}) print(outputs[0].shape)7.3 API 服务化思路模型训练完成后可以封装为一个本地 HTTP 服务。常见做法是使用 FastAPI 或 Flask接收图像请求预处理后调用模型推理返回预测结果。以下是一个 FastAPI 风格的通用模板from fastapi import FastAPI, UploadFile import io import numpy as np import onnxruntime as ort app FastAPI() sess ort.InferenceSession(mnist_model.onnx) app.post(/predict) async def predict(file: UploadFile): content await file.read() # 这里需要按项目实际情况做图像解码、resize、归一化 image np.random.randn(1, 1, 28, 28).astype(np.float32) outputs sess.run(None, {input: image}) return {prediction: int(np.argmax(outputs[0][0]))}注意UploadFile读取的是原始字节真实项目需要调用图像处理库解码和预处理。以上代码只提供接口骨架。7.4 批量任务设计如果需要对一批图片做推理不要循环单张调用 HTTP 接口应在服务端做一个批量目录或队列inputs/ image_001.jpg image_002.jpg ... outputs/ result_001.json result_002.jsonPython 脚本批量遍历输入目录调用 ONNX Runtime 会话将结果写入 JSON 文件。这样比单张接口调用更稳定也更容易做失败重试。批量推理通用模板import onnxruntime as ort from pathlib import Path import json sess ort.InferenceSession(mnist_model.onnx) input_dir Path(./inputs) output_dir Path(./outputs) output_dir.mkdir(exist_okTrue) for img_path in input_dir.glob(*.jpg): # 此处应补全图像解码、预处理逻辑 input_tensor __import__(numpy).random.randn(1, 1, 28, 28).astype(float32) result sess.run(None, {input: input_tensor})[0] pred int(result.argmax(axis1)[0]) (output_dir / f{img_path.stem}.json).write_text( json.dumps({file: img_path.name, prediction: pred}) ) print(fprocessed {img_path.name})8. 资源占用与性能观察训练时看什么很多新手跑通代码之后不知道“快”和“慢”差在哪。入门阶段建议观察三个指标。8.1 显存占用GPU 显存占用取决于模型大小、batch_size 和输入分辨率。观察方式nvidia-smi -l 1也可以在代码里打印# PyTorch print(torch.cuda.memory_allocated() / 1024**2, MB)入门级 MNIST 项目显存占用通常很低。如果你的 batch_size 放大到 128 或 256显存会增加如果跑大模型显存不足时会直接报 CUDA out of memory。8.2 CPU vs GPU 差异CPU 能跑但慢。GPU 的优势在矩阵运算并行度高时最明显。同一个 MNIST 项目CPU 可能每个 epoch 需要几十秒到几分钟GPU 可能只需要几秒。入门阶段不要过度纠结性能先保证流程跑通。8.3 如何降低显存和加速调小 batch_size。降低输入图像分辨率。使用混合精度训练。PyTorch 中可用torch.cuda.ampTensorFlow 中可用mixed_float16。释放无用变量必要时调用torch.cuda.empty_cache()。8.4 端口与进程残留如果你启动了 API 服务训练完记得关闭进程否则端口会被占用。排查端口占用# Windows netstat -ano | findstr 8000 # Linux lsof -i :80009. 常见问题与排查方法TensorFlow 和 PyTorch 新手必看问题现象可能原因排查方式解决方案pip 安装超时网络连接不稳定查看 pip 报错使用国内镜像或重试安装 PyTorch 后cuda.is_available()为 False安装的是 CPU 版输入torch.__version__查看是否带cu后缀按官网 CUDA 命令重装TensorFlow 找不到 GPUCUDA/cuDNN 与驱动不匹配打印tf.config.list_physical_devices(GPU)查官方 CUDA 支持矩阵调整版本torch.load权重报错PyTorch 2.6 后weights_only默认值变化看报错信息是否提及 weights_only明确设置weights_onlyTrue/False训练时 CUDA out of memorybatch_size 过大 / 分辨率过高查看 nvidia-smi调小 batch_size或降低分辨率接口启动后无法访问防火墙 / 端口占用 / 服务未监听检查启动日志和端口更换端口确认 host 设为 127.0.0.1 或所需地址模型导出 ONNX 失败输入维度或动态轴定义错误查看导出报错检查 dummy_input 的 shape 和 dynamic_axes中文路径导致读取失败编码或路径兼容问题检查数据集路径使用纯英文路径训练 loss 不降学习率不合适 / 数据未归一化打印前几个 batch 的 loss调整学习率检查数据范围10. 最佳实践2026 年入门深度学习的工程化建议以下建议不是“进阶内容”而是能让你少走弯路的基础配置。10.1 第一次先小参数测试无论跑什么项目第一次运行都用最小参数batch_size 小一点、epoch 少一点、分辨率低一点。目的不是出结果而是验证数据流、前向传播、反向传播是否正常。10.2 保留一套最小可运行配置把上面 MNIST 项目收进一个文件夹记录 Python 版本、框架版本、CUDA 版本。以后安装任何新环境都以这套配置作为对照。环境问题排查时这套“能跑的版本”就是你最可靠的回退点。10.3 目录管理建议一个完整项目包含以下目录project/ data/ # 数据集 models/ # 模型权重、ONNX 文件 scripts/ # 训练、推理、导出脚本 outputs/ # 预测结果、日志 requirements.txt README.md这样一来模型文件、输入素材、输出结果不会混在一起。批量任务或换机器时只需拷贝requirements.txt和代码目录不需要搬运全部数据。10.4 接口服务限制访问范围本地调试接口时默认监听127.0.0.1。如果部署到服务器要设置访问控制避免未授权访问。涉及人脸、声音、私人数据时必须确认数据来源合法并且只在测试环境验证。10.5 发布前做效果复核模型不是“能跑”就结束。发布或商用前至少要验证三件事测试集准确率是否达标不同输入下的输出是否稳定有无涉及版权、隐私或安全边界问题。11. 总结与下一步TensorFlow 还是 PyTorch回到最初的问题2026 年入门深度学习TensorFlow 和 PyTorch 怎么选我的建议可以概括为三点。第一如果你还没有实际跑过任何一个深度学习程序先用 PyTorch 把本文的 MNIST 项目跑通。动态图调试体验对新手极其友好社区资料也最丰富。这个过程应该控制在两天以内不要拖太久。第二TensorFlow 不需要完全跳过。如果你所在的公司或实验室已经使用 TensorFlow 生态或者你倾向于从事模型部署工作可以学完 PyTorch 入门后用 TensorFlow 重新实现一遍同样的项目。你会发现迁移成本远低于预期。第三框架只是工具深度学习的关键在数据处理、模型结构、训练策略和工程化能力。2026 年没有“唯一正确”的框架只有“当前目标下更顺手”的工具。现在最值得做的是把你手上那个“收藏从未停止行动从未开始”的项目找出来先跑通一个 epoch。下一步可以继续扩展的方向从 MNIST 换成 CIFAR-10从全连接网络换成卷积神经网络从单机训练换成数据并行或者把导出的 ONNX 模型封装成 HTTP 服务。每一步都建立在前一步可运行的基础之上。建议先按本文第 4 节装好环境然后直接跳到第 6 节跑第一个项目。代码能跑起来比看任何框架争论都有用。