2026 年入门深度学习第一个要回答的问题就是TensorFlow 和 PyTorch到底选哪个这篇直接给你结论然后再把两个框架的安装、用法、接口和排错全部拆开讲清楚。结论先放在这里零基础入门阶段优先选 PyTorch因为调试直观、资料多、复现开源模型方便但 TensorFlow 在生产部署、移动端和嵌入式设备上的链路更完整如果你的求职方向明确偏工程也需要在后期掌握。两个框架现在不是“你死我活”的关系而是解决不同阶段的问题。这篇文章会做几件事先给一份核心能力速览再讲环境准备和两个框架的安装部署然后用同一个微型模型分别测试 TensorFlow 和 PyTorch接着对比数据接口和批量训练逻辑最后给出显存观察方法、常见问题排查和一条零基础学习路线。1. TensorFlow 与 PyTorch 核心能力速览为了不让你在“选框架”这一步卡太久先看下表。表里的每一项都对应后续章节的展开内容你可以直接根据自己当前的设备情况和学习目的来定位。对比维度PyTorchTensorFlow框架定位深度学习训练框架主打科研和算法原型深度学习训练与部署框架工程链路完整主要开发方Meta原 FacebookAI 团队主导开源Google 主导开源编程风格命令式、动态计算图贴近原生 Python2.x 默认 Eager 模式同时保留静态图导出能力高层 APInn.Module、PyTorch Lightning 等灵活直接Keras API封装度高初学者容易上手安装复杂度需要匹配 CUDA 版本CPU 版安装简单TensorFlow 2.18 这一代 GPU 依赖可通过 pip 整体安装学习资料课程、论文复现、开源模型数量多官方文档、生产案例、部署教程成熟研究生态大量开源大模型和论文代码以 PyTorch 为主部分传统模型和工业项目仍使用 TensorFlow部署链路torch.jit、ONNX、自有推理服务TF Serving、TensorFlow Lite、TensorFlow.js 覆盖更广移动端/嵌入式支持有限依赖 ONNX 转换或第三方工具TFLite 和 Edge TPU 路线成熟批量训练Dataset DataLoader自定义方便tf.data API擅长构建高性能数据流水线适合的入门人群先跑通模型、再研究原理的学习者目标岗位明确做工程部署、嵌入式方向的学习者从表里能看出这两套框架的核心能力并不完全重叠。PyTorch 强在“从想法到代码的距离短”你写完一个nn.Module前向传播逻辑就是 Python 本身的执行逻辑打印中间张量、断点调试都非常自然。TensorFlow 强在“从训练到上线的体系完整”当你需要把模型部署到服务器、手机或嵌入式设备时TensorFlow 的周边工具链是更完整的。对于零基础入门深度学习这件事我给你的建议是先用 PyTorch 把训练流程跑通再花时间了解 TensorFlow 的部署思路。这不是说 TensorFlow 不值得学而是从“尽快建立反馈循环”的角度看PyTorch 的学习曲线更平滑。2. 适用场景与选择边界深度学习框架选型本质上是在回答“你接下来要做什么”的问题。如果你的目标是学习深度学习基础比如张量、自动微分、卷积、循环神经网络这些概念PyTorch 的代码和数学表达之间的对应关系更直接。你在课堂上看到一个公式转头就能用 PyTorch 写成可运行的代码这种“概念到代码”的即时反馈对新手非常重要。如果你的目标是进入工业界做算法工程师或 AI 平台开发那么建议在掌握 PyTorch 之后再补一遍 TensorFlow 的保存导出、Serving 部署和移动端转换。很多大公司的存量系统还跑着 TensorFlow 模型维护和改造这些系统时你不会 TensorFlow 会比较吃亏。如果你的目标偏向嵌入式设备比如在 Jetson、树莓派或手机端做模型推理那 TensorFlow Lite 是一条很成熟的路线。PyTorch 在服务器端推理也有方案但移动端的工具链完整度和社区案例数量不如 TensorFlow。还需要明确一个边界不要陷入“选框架选一个月”的陷阱。框架只是工具深度学习最核心的东西不会因为换框架而改变比如损失函数、优化器、反向传播、数据划分。你只要完整跑通一个分类任务基本就能掌握 70% 的日常操作。换框架的成本并没有想象中高因为训练流程的骨架几乎一样差的只是 API 名称和风格。3. 入门深度学习环境准备在安装 TensorFlow 或 PyTorch 之前先把环境准备好。环境问题占新手报错的一半以上尤其是 GPU 相关的问题。3.1 Python 与虚拟环境两个框架都建议使用 Python 3.10 到 3.12 之间的版本具体看当前安装包对 Python 版本的要求。不要直接在系统全局环境里安装深度学习依赖否则后面做不同项目、装不同版本时会互相覆盖最后出现各种奇怪的 import 错误。推荐用 conda 创建独立虚拟环境Windows、Linux、macOS 通用。创建命令如下conda create -n deep-learning python3.11 -y conda activate deep-learning如果你不想装 conda用 Python 自带的 venv 也可以python -m venv dl-env # Windows dl-env\Scripts\activate # Linux / macOS source dl-env/bin/activate虚拟环境是隔离保护层建议所有深度学习项目都从这里开始。3.2 NVIDIA 驱动与 CUDA 环境如果你的电脑有 NVIDIA 显卡安装 GPU 版框架前首先要确认驱动可用。Windows 和 Linux 下打开终端运行nvidia-smi正常情况下会列出 GPU 型号、驱动版本和显存占用。如果你在 Linux 下运行这个命令没有任何输出很可能是驱动没有正确加载常见原因是安全启动选项或内核模块冲突。如果 nvidia-smi 完全不存在说明驱动还没装好需要先解决系统驱动问题。CUDA 版本和驱动版本是两个概念你不需要手动安装完整的 CUDA Toolkit因为 PyTorch 和 TensorFlow 的安装包会自带对应版本的 CUDA 运行库。你只需要保证 NVIDIA 驱动足够新别让驱动版本低于框架要求。3.3 硬件配置预期零基础入门不强行要求高端显卡。CPU 也能跑通全流程只是训练时间会长很多。我建议的路径是先用 CPU 跑通小数据量、小模型的完整训练再切换到 GPU 验证加速效果。如果你要买新设备或者准备用现有显卡显存从 6GB 起步比较稳妥可以跑中小规模的卷积模型更大显存当然更好但入门阶段不必纠结。模型训练时的显存占用主要取决于输入尺寸、批量大小和模型参数量后续会讲怎么降低显存占用。3.4 磁盘空间安装两个框架加基础依赖每个环境至少预留 3 到 5GB 磁盘空间。如果还要下载 MNIST、CIFAR 这类数据集再加 1GB 左右。这部分空间主要是安装包和解压后的库文件。4. TensorFlow 安装部署与验证TensorFlow 的安装这几年变化比较大早期需要手动安装 CUDA、cuDNN很多新手就是在这一步被劝退的。到 TensorFlow 2.18 这一代安装流程已经简化为一条 pip 命令。4.1 创建 TensorFlow 虚拟环境conda create -n tf-env python3.11 -y conda activate tf-env4.2 安装 TensorFlow CPU 版pip install tensorflowCPU 版适合没有 NVIDIA 显卡或者只想先跑通代码逻辑的场景。安装完成后直接 import 就能用不需要额外配置。4.3 安装 TensorFlow GPU 版如果你有 NVIDIA 显卡推荐安装 [and-cuda] 版本这条命令会把 CUDA 相关依赖一起带进来pip install tensorflow[and-cuda]安装完成后重新打开终端并激活环境然后运行验证命令python -c import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices(GPU))如果最后一行列出了 GPU 设备说明 GPU 版安装成功。如果只显示空列表就说明 TensorFlow 没有识别到显卡需要回到驱动检查和 CUDA 兼容性排查。4.4 pip 下载慢的处理方式默认 pip 源在部分地区下载速度不稳定。如果安装时长时间停住或者速度很慢可以临时指定国内镜像源pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple也可以永久配置pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple永久配置后后续所有 pip 安装都会默认走镜像源速度会明显提升。5. PyTorch 安装部署与验证PyTorch 的安装命令比 TensorFlow 多一个步骤因为要自己指定 CUDA 版本但整体并不复杂。5.1 创建 PyTorch 虚拟环境conda create -n torch-env python3.11 -y conda activate torch-env5.2 安装 PyTorch CPU 版如果你暂时没有 NVIDIA 显卡直接安装默认版本即可pip install torch torchvision torchaudio这里的 torchvision 是图像处理相关的工具库torchaudio 是音频处理工具库。即使你现在只学基础内容建议也一起装上后面做图像和音频任务时不用重复安装。5.3 安装 PyTorch GPU 版打开 PyTorch 官网的安装页面选择你的系统、包管理工具和 CUDA 版本官方会生成对应的安装命令。以 CUDA 12.x 为例常见命令格式如下pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124命令中的cu124表示 CUDA 12.4。如果官方安装页已经更新为其他 cu 版本按官方给出的命令替换即可。这里要注意cuXX不是说你系统里必须安装这个 CUDA Toolkit而是框架运行时的 CUDA 版本你的 NVIDIA 驱动需要足够新才能支持。5.4 验证 PyTorch 安装激活环境后运行python -c import torch; print(torch.__version__); print(torch.cuda.is_available())torch.cuda.is_available()是 False 时不要急着认为是显卡坏了。先看torch.__version__如果版本号里带了cpu字样说明装的是 CPU 版没有 GPU 支持如果版本号里是cu124这样的后缀但返回 False就要检查驱动版本和命令里的 CUDA 版本匹配情况。一个容易踩的坑是 torchvision 和 torch 版本不匹配。如果你直接pip install torchvision而不安装 torch它会自动拉取一个默认版本可能和你现有的 torch 版本不兼容最常见的表现是 import 时报错找不到某个符号。建议用一条命令同时安装这三个库避免版本错位。6. 第一个模型测试两套框架的代码对比安装好环境之后接下来用两套框架分别写一个最简多层感知机数据用随机生成的数据集流程和真实训练任务一致。6.1 PyTorch 版本import torch import torch.nn as nn import torch.optim as optim # 生成随机训练数据 x torch.randn(64, 784) y torch.randint(0, 10, (64,)) # 定义模型 model nn.Sequential( nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 10), ) # 损失函数和优化器 loss_fn nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr1e-3) # 训练 10 步 for step in range(10): optimizer.zero_grad() logits model(x) loss loss_fn(logits, y) loss.backward() optimizer.step() if step % 2 0: print(step, round(loss.item(), 4))运行后能看到 loss 逐次下降。这个流程覆盖了深度学习训练的核心环节前向传播、计算损失、反向传播、更新参数。optimizer.zero_grad()每步清零梯度这一步容易漏漏掉之后梯度会累加表现就是 loss 不降或者剧烈波动。6.2 TensorFlow 版本import tensorflow as tf # 生成随机训练数据 x tf.random.normal((64, 784)) y tf.random.uniform((64,), maxval10, dtypetf.int32) # 定义模型 model tf.keras.Sequential([ tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(10), ]) # 编译模型 model.compile( optimizeradam, losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue), ) # 训练 model.fit(x, y, epochs10, batch_size64, verbose2)TensorFlow 的 Keras 高层 API 把训练循环封装进了model.fit代码更短新手阅读时“做什么”更清楚。相比之下PyTorch 把训练循环暴露给你每步都看得见更适合理解深度学习内部原理。6.3 两个版本给你的核心反馈PyTorch 版本中你可以手动控制for循环里的每一步这在调试时非常有用。比如你想看某一层的输出、想改一下梯度更新逻辑直接插入代码就行。TensorFlow 版本用model.fit封装了细节快速实验很舒服但想深入底层时明显感觉被框架包了一层。这里不是要分高下而是告诉你一个事实如果目的是学习原理PyTorch 的“不遮不掩”对新手更友好如果目的是快速搭一个可跑的应用流程TensorFlow 的 Keras 封装更方便。7. 训练接口、模型导出与批量任务对比深度学习框架除了训练模型还涉及数据加载、批量控制、模型导出和接口服务。这些内容决定了框架能不能真正用于实际项目。7.1 数据加载接口PyTorch 使用Dataset和DataLoader组织数据。你可以继承Dataset写自己的数据集也可以直接用TensorDataset包住张量。核心代码from torch.utils.data import DataLoader, TensorDataset dataset TensorDataset(x, y) loader DataLoader(dataset, batch_size16, shuffleTrue, num_workers2) for batch_x, batch_y in loader: # 在这里执行训练 passbatch_size控制每批样本数量shuffleTrue在每轮开始时打乱数据num_workers用多个子进程预加载数据减少 GPU 等待时间。TensorFlow 的数据接口是tf.data.Dataset写法上偏流水线风格dataset tf.data.Dataset.from_tensor_slices((x, y)) dataset dataset.shuffle(1000).batch(16).prefetch(1) for batch_x, batch_y in dataset: # 在这里执行训练 pass.prefetch(1)表示在模型训练的同时预取下一批数据可以掩盖数据读取时间。从批量任务角度看两套框架都支持 batch、shuffle、并行加载区别在于 API 风格和底层调度细节。7.2 模型导出接口训练结束后模型要导出到部署环境这里两套框架的差异比较明显。PyTorch 常用torch.jit或 ONNX 导出# 转成 TorchScript traced_model torch.jit.trace(model, example_input) traced_model.save(model.pt) # 导出 ONNX torch.onnx.export(model, example_input, model.onnx)TensorFlow 则通常保存为 SavedModel 格式再按部署目标转换成对应格式model.export(saved_model) # 或使用经典 API tf.saved_model.save(model, saved_model)SavedModel 可以被 TensorFlow Serving 直接加载这是生产环境中常见的模型服务方案。如果你未来要接接口 APITensorFlow 的 Serving 生态可以快速把模型封装成 gRPC 或 HTTP 服务PyTorch 也有 TorchServe但社区使用规模和应用案例相对少一些。7.3 批量训练的实际操作建议批量任务在训练中就是 batch、epoch 和数据流水线。你可能遇到的一个场景是显存有限但数据量很大。这时候可以先减少 batch_size比如从 32 降到 16再看显存占用和训练速度。另一个思路是控制输入尺寸图像任务把分辨率降低能显著减少显存占用。如果做的是多组参数扫描实验建议把每组实验的配置文件、日志、模型权重分开存放命名里带上日期和参数信息方便事后对比。批量跑多个模型时尽量写成可重复执行的脚本不要依赖 Jupyter 手动手动运行多次。8. 资源占用与性能观察装好框架跑起第一个模型后不要只盯着 loss 数字还要学会观察资源占用。8.1 用 nvidia-smi 观察显存训练脚本运行期间在另一个终端执行# 每 1 秒刷新一次 watch -n 1 nvidia-smiWindows 下可以在 cmd 里执行nvidia-smi -l 1实时观察显存占用和 GPU 利用率。显存占用主要由模型参数、优化器状态、中间激活值和当前批次数据组成。你调大 batch_size显存占用会明显上升调大输入分辨率中间激活值会变大显存占用同样上升。8.2 CPU 与 GPU 推理差异同样一个模型用 GPU 训练通常比 CPU 快很多但并不是所有场景都适合 GPU。数据量小、模型简单的时候CPU 和 GPU 的差距可能不明显因为数据在 CPU 和 GPU 之间拷贝也有开销。入门阶段建议先在 CPU 上跑通小样例再切到 GPU 跑完整数据这样能同时理解两套运行方式。如果你需要强制指定设备PyTorch 里可以这样device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) x x.to(device)TensorFlow 里默认自动选择设备也可以用tf.device指定with tf.device(/GPU:0): prediction model(x)8.3 降低显存占用的常见手段优先从这三个方向下手减小 batch_size、降低输入分辨率、减少模型隐藏层宽度。后续进阶可以学习梯度累积、混合精度训练和模型并行但入门阶段不需要把这些都用上先把最基本的 batch_size 控制好效果最直接。如果训练中途报显存不足不要只想到换显卡先看是不是 batch_size 过大。很多时候从 32 降到 8 就能跑通。训练完成后要养成及时释放显存的习惯。长时间不释放会占用显存导致下一次训练直接报错。最直接的方法是重启 Python 进程或重启 Jupyter Kernel。9. 常见问题与排查方法环境问题占了初学者调试的大部分时间下面把高频问题集中整理成表按“现象、原因、排查方式、解决方案”四步走。问题现象可能原因排查方式解决方案import tensorflow 时报 DLL 或依赖错误Python/numpy 版本不匹配或缺少 VC 运行库查看报错日志检查 Python 版本和 numpy 版本升级到 Python 3.11 左右重装 numpyWindows 安装对应运行库torch.cuda.is_available() 返回 False装成了 CPU 版 torch或驱动太旧查看 torch.version是否带 cpu 字样按官方命令安装对应 cu 版本更新显卡驱动TensorFlow 找不到 GPU设备列表为空缺少 CUDA 依赖或驱动不是最新运行 tf.config.list_physical_devices(GPU)使用 tensorflow[and-cuda] 安装检查驱动训练报显存不足 OOMbatch_size 过大或输入分辨率过高查看 nvidia-smi 中的显存占用调小 batch_size降低输入分辨率清理残留进程pip 安装速度很慢或超时默认源下载慢观察下载速度配置国内镜像源Jupyter 里 import 不到 conda 环境的包Jupyter 默认使用另一个 Python检查 sys.executable安装 ipykernel 并注册内核nvidia-smi 有输出但训练时用不了 GPU驱动检测异常或驱动装好后未重启运行驱动诊断命令重装驱动检查安全设置和内核模块loss 不下降或波动很大学习率不合适或数据没有归一化输出每个 batch 的 loss 观察趋势调低学习率检查输入数据范围检查是否遗漏 zero_gradJetson 上安装的 PyTorch 无法运行ARM 架构和通常的 pip 包不匹配查看设备架构和 JetPack 版本从适配该 JetPack 的官方或社区渠道安装对应版本如果遇到上述表格没有覆盖的问题一个通用排查思路是先看完整报错日志找到第一次出现 Error 的位置不要只看最后几行然后确认当前环境里 import 的包确实来自你激活的虚拟环境最后去搜索引擎搜报错原文通常都能找到解决方案。10. 入门学习路线与工程实践框架选好后接下来就是怎么学、怎么练的问题。零基础入门深度学习建议按照下面的路线推进。10.1 第一阶段掌握基础概念先用一到两周时间把张量、自动微分、损失函数、梯度下降这四个核心概念弄明白。你用 PyTorch 写一个简单的线性回归就是在实践这些概念。这一阶段不要急着看复杂的 CNN 或 Transformer先把训练循环跑通知道每一步在干什么。10.2 第二阶段跑通一个分类模型选一个经典数据集比如 MNIST 手写数字识别完成一次完整的训练和验证。记住流程不只是 model 的定义还包括数据划分、归一化、训练循环、验证集评估。跑通后你可以调整模型层数、学习率观察对结果的影响这是建立直觉最快的办法。10.3 第三阶段学习经典网络结构掌握卷积神经网络CNN、循环神经网络RNN和 Transformer 的基本原理。每个结构对应的实际代码量并不多但要理解它们的输入输出维度变化。很多人卡在“只会 import 模型不会自己搭模型”解决方法是把官方示例代码手敲一遍不要复制粘贴。10.4 第四阶段补齐工程能力当你用 PyTorch 完整跑通了训练流程回头再看 TensorFlow重点学习和训练不同的部分模型保存格式、Serving 部署、移动端转换。这样你就同时拥有了“研究原型能力”和“工程部署意识”在团队里能接的活会宽很多。10.5 工程实践习惯环境管理上每个项目固定一个虚拟环境用 requirements.txt 或 conda 环境导出文件记录依赖数据和模型按项目分目录存放训练输出加上时间戳每次实验记录超参数和最终指标方便回溯。使用公开数据集和开源模型时留意数据集的版权和使用条款。训练涉及人脸、声音、用户隐私数据时必须确认授权范围。商用场景下这些合规问题不能等到上线前才考虑。11. 总结与下一步选框架这件事不要变成拖延学习的借口。如果你的第一反应是“我想先跑通一个模型”那就选 PyTorch跟着一个 MNIST 或 CIFAR-10 的教程完整敲一遍收获会非常大。如果你的第一反应是“我想做一个能上线的模型服务”那先学 TensorFlow 的 Keras 训练流程和模型导出再补部署链路。最值得尝试的第一步是把第 6 小节的代码分别在 CPU 和 GPU 上跑一遍观察时间差异和显存占用。最容易踩的坑是版本匹配问题尤其是 CUDA 和 cuDNN 相关报错遇到后先回到第 3 节和第 9 节检查。下一步可以做的事很明确用 PyTorch 实现一次手写数字分类再用 TensorFlow 加载同一个任务对比训练代码差异。这样两套框架的特点你都会心里有数后续无论是读论文、复现开源模型还是做实际项目部署都有了基础。建议把这篇文章收藏备用安装环境或排查问题时直接对照操作。 TensorFlow vs PyTorch：2026入门深度学习选型与实战对比
2026 年入门深度学习第一个要回答的问题就是TensorFlow 和 PyTorch到底选哪个这篇直接给你结论然后再把两个框架的安装、用法、接口和排错全部拆开讲清楚。结论先放在这里零基础入门阶段优先选 PyTorch因为调试直观、资料多、复现开源模型方便但 TensorFlow 在生产部署、移动端和嵌入式设备上的链路更完整如果你的求职方向明确偏工程也需要在后期掌握。两个框架现在不是“你死我活”的关系而是解决不同阶段的问题。这篇文章会做几件事先给一份核心能力速览再讲环境准备和两个框架的安装部署然后用同一个微型模型分别测试 TensorFlow 和 PyTorch接着对比数据接口和批量训练逻辑最后给出显存观察方法、常见问题排查和一条零基础学习路线。1. TensorFlow 与 PyTorch 核心能力速览为了不让你在“选框架”这一步卡太久先看下表。表里的每一项都对应后续章节的展开内容你可以直接根据自己当前的设备情况和学习目的来定位。对比维度PyTorchTensorFlow框架定位深度学习训练框架主打科研和算法原型深度学习训练与部署框架工程链路完整主要开发方Meta原 FacebookAI 团队主导开源Google 主导开源编程风格命令式、动态计算图贴近原生 Python2.x 默认 Eager 模式同时保留静态图导出能力高层 APInn.Module、PyTorch Lightning 等灵活直接Keras API封装度高初学者容易上手安装复杂度需要匹配 CUDA 版本CPU 版安装简单TensorFlow 2.18 这一代 GPU 依赖可通过 pip 整体安装学习资料课程、论文复现、开源模型数量多官方文档、生产案例、部署教程成熟研究生态大量开源大模型和论文代码以 PyTorch 为主部分传统模型和工业项目仍使用 TensorFlow部署链路torch.jit、ONNX、自有推理服务TF Serving、TensorFlow Lite、TensorFlow.js 覆盖更广移动端/嵌入式支持有限依赖 ONNX 转换或第三方工具TFLite 和 Edge TPU 路线成熟批量训练Dataset DataLoader自定义方便tf.data API擅长构建高性能数据流水线适合的入门人群先跑通模型、再研究原理的学习者目标岗位明确做工程部署、嵌入式方向的学习者从表里能看出这两套框架的核心能力并不完全重叠。PyTorch 强在“从想法到代码的距离短”你写完一个nn.Module前向传播逻辑就是 Python 本身的执行逻辑打印中间张量、断点调试都非常自然。TensorFlow 强在“从训练到上线的体系完整”当你需要把模型部署到服务器、手机或嵌入式设备时TensorFlow 的周边工具链是更完整的。对于零基础入门深度学习这件事我给你的建议是先用 PyTorch 把训练流程跑通再花时间了解 TensorFlow 的部署思路。这不是说 TensorFlow 不值得学而是从“尽快建立反馈循环”的角度看PyTorch 的学习曲线更平滑。2. 适用场景与选择边界深度学习框架选型本质上是在回答“你接下来要做什么”的问题。如果你的目标是学习深度学习基础比如张量、自动微分、卷积、循环神经网络这些概念PyTorch 的代码和数学表达之间的对应关系更直接。你在课堂上看到一个公式转头就能用 PyTorch 写成可运行的代码这种“概念到代码”的即时反馈对新手非常重要。如果你的目标是进入工业界做算法工程师或 AI 平台开发那么建议在掌握 PyTorch 之后再补一遍 TensorFlow 的保存导出、Serving 部署和移动端转换。很多大公司的存量系统还跑着 TensorFlow 模型维护和改造这些系统时你不会 TensorFlow 会比较吃亏。如果你的目标偏向嵌入式设备比如在 Jetson、树莓派或手机端做模型推理那 TensorFlow Lite 是一条很成熟的路线。PyTorch 在服务器端推理也有方案但移动端的工具链完整度和社区案例数量不如 TensorFlow。还需要明确一个边界不要陷入“选框架选一个月”的陷阱。框架只是工具深度学习最核心的东西不会因为换框架而改变比如损失函数、优化器、反向传播、数据划分。你只要完整跑通一个分类任务基本就能掌握 70% 的日常操作。换框架的成本并没有想象中高因为训练流程的骨架几乎一样差的只是 API 名称和风格。3. 入门深度学习环境准备在安装 TensorFlow 或 PyTorch 之前先把环境准备好。环境问题占新手报错的一半以上尤其是 GPU 相关的问题。3.1 Python 与虚拟环境两个框架都建议使用 Python 3.10 到 3.12 之间的版本具体看当前安装包对 Python 版本的要求。不要直接在系统全局环境里安装深度学习依赖否则后面做不同项目、装不同版本时会互相覆盖最后出现各种奇怪的 import 错误。推荐用 conda 创建独立虚拟环境Windows、Linux、macOS 通用。创建命令如下conda create -n deep-learning python3.11 -y conda activate deep-learning如果你不想装 conda用 Python 自带的 venv 也可以python -m venv dl-env # Windows dl-env\Scripts\activate # Linux / macOS source dl-env/bin/activate虚拟环境是隔离保护层建议所有深度学习项目都从这里开始。3.2 NVIDIA 驱动与 CUDA 环境如果你的电脑有 NVIDIA 显卡安装 GPU 版框架前首先要确认驱动可用。Windows 和 Linux 下打开终端运行nvidia-smi正常情况下会列出 GPU 型号、驱动版本和显存占用。如果你在 Linux 下运行这个命令没有任何输出很可能是驱动没有正确加载常见原因是安全启动选项或内核模块冲突。如果 nvidia-smi 完全不存在说明驱动还没装好需要先解决系统驱动问题。CUDA 版本和驱动版本是两个概念你不需要手动安装完整的 CUDA Toolkit因为 PyTorch 和 TensorFlow 的安装包会自带对应版本的 CUDA 运行库。你只需要保证 NVIDIA 驱动足够新别让驱动版本低于框架要求。3.3 硬件配置预期零基础入门不强行要求高端显卡。CPU 也能跑通全流程只是训练时间会长很多。我建议的路径是先用 CPU 跑通小数据量、小模型的完整训练再切换到 GPU 验证加速效果。如果你要买新设备或者准备用现有显卡显存从 6GB 起步比较稳妥可以跑中小规模的卷积模型更大显存当然更好但入门阶段不必纠结。模型训练时的显存占用主要取决于输入尺寸、批量大小和模型参数量后续会讲怎么降低显存占用。3.4 磁盘空间安装两个框架加基础依赖每个环境至少预留 3 到 5GB 磁盘空间。如果还要下载 MNIST、CIFAR 这类数据集再加 1GB 左右。这部分空间主要是安装包和解压后的库文件。4. TensorFlow 安装部署与验证TensorFlow 的安装这几年变化比较大早期需要手动安装 CUDA、cuDNN很多新手就是在这一步被劝退的。到 TensorFlow 2.18 这一代安装流程已经简化为一条 pip 命令。4.1 创建 TensorFlow 虚拟环境conda create -n tf-env python3.11 -y conda activate tf-env4.2 安装 TensorFlow CPU 版pip install tensorflowCPU 版适合没有 NVIDIA 显卡或者只想先跑通代码逻辑的场景。安装完成后直接 import 就能用不需要额外配置。4.3 安装 TensorFlow GPU 版如果你有 NVIDIA 显卡推荐安装 [and-cuda] 版本这条命令会把 CUDA 相关依赖一起带进来pip install tensorflow[and-cuda]安装完成后重新打开终端并激活环境然后运行验证命令python -c import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices(GPU))如果最后一行列出了 GPU 设备说明 GPU 版安装成功。如果只显示空列表就说明 TensorFlow 没有识别到显卡需要回到驱动检查和 CUDA 兼容性排查。4.4 pip 下载慢的处理方式默认 pip 源在部分地区下载速度不稳定。如果安装时长时间停住或者速度很慢可以临时指定国内镜像源pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple也可以永久配置pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple永久配置后后续所有 pip 安装都会默认走镜像源速度会明显提升。5. PyTorch 安装部署与验证PyTorch 的安装命令比 TensorFlow 多一个步骤因为要自己指定 CUDA 版本但整体并不复杂。5.1 创建 PyTorch 虚拟环境conda create -n torch-env python3.11 -y conda activate torch-env5.2 安装 PyTorch CPU 版如果你暂时没有 NVIDIA 显卡直接安装默认版本即可pip install torch torchvision torchaudio这里的 torchvision 是图像处理相关的工具库torchaudio 是音频处理工具库。即使你现在只学基础内容建议也一起装上后面做图像和音频任务时不用重复安装。5.3 安装 PyTorch GPU 版打开 PyTorch 官网的安装页面选择你的系统、包管理工具和 CUDA 版本官方会生成对应的安装命令。以 CUDA 12.x 为例常见命令格式如下pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124命令中的cu124表示 CUDA 12.4。如果官方安装页已经更新为其他 cu 版本按官方给出的命令替换即可。这里要注意cuXX不是说你系统里必须安装这个 CUDA Toolkit而是框架运行时的 CUDA 版本你的 NVIDIA 驱动需要足够新才能支持。5.4 验证 PyTorch 安装激活环境后运行python -c import torch; print(torch.__version__); print(torch.cuda.is_available())torch.cuda.is_available()是 False 时不要急着认为是显卡坏了。先看torch.__version__如果版本号里带了cpu字样说明装的是 CPU 版没有 GPU 支持如果版本号里是cu124这样的后缀但返回 False就要检查驱动版本和命令里的 CUDA 版本匹配情况。一个容易踩的坑是 torchvision 和 torch 版本不匹配。如果你直接pip install torchvision而不安装 torch它会自动拉取一个默认版本可能和你现有的 torch 版本不兼容最常见的表现是 import 时报错找不到某个符号。建议用一条命令同时安装这三个库避免版本错位。6. 第一个模型测试两套框架的代码对比安装好环境之后接下来用两套框架分别写一个最简多层感知机数据用随机生成的数据集流程和真实训练任务一致。6.1 PyTorch 版本import torch import torch.nn as nn import torch.optim as optim # 生成随机训练数据 x torch.randn(64, 784) y torch.randint(0, 10, (64,)) # 定义模型 model nn.Sequential( nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 10), ) # 损失函数和优化器 loss_fn nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr1e-3) # 训练 10 步 for step in range(10): optimizer.zero_grad() logits model(x) loss loss_fn(logits, y) loss.backward() optimizer.step() if step % 2 0: print(step, round(loss.item(), 4))运行后能看到 loss 逐次下降。这个流程覆盖了深度学习训练的核心环节前向传播、计算损失、反向传播、更新参数。optimizer.zero_grad()每步清零梯度这一步容易漏漏掉之后梯度会累加表现就是 loss 不降或者剧烈波动。6.2 TensorFlow 版本import tensorflow as tf # 生成随机训练数据 x tf.random.normal((64, 784)) y tf.random.uniform((64,), maxval10, dtypetf.int32) # 定义模型 model tf.keras.Sequential([ tf.keras.layers.Dense(128, activationrelu), tf.keras.layers.Dense(10), ]) # 编译模型 model.compile( optimizeradam, losstf.keras.losses.SparseCategoricalCrossentropy(from_logitsTrue), ) # 训练 model.fit(x, y, epochs10, batch_size64, verbose2)TensorFlow 的 Keras 高层 API 把训练循环封装进了model.fit代码更短新手阅读时“做什么”更清楚。相比之下PyTorch 把训练循环暴露给你每步都看得见更适合理解深度学习内部原理。6.3 两个版本给你的核心反馈PyTorch 版本中你可以手动控制for循环里的每一步这在调试时非常有用。比如你想看某一层的输出、想改一下梯度更新逻辑直接插入代码就行。TensorFlow 版本用model.fit封装了细节快速实验很舒服但想深入底层时明显感觉被框架包了一层。这里不是要分高下而是告诉你一个事实如果目的是学习原理PyTorch 的“不遮不掩”对新手更友好如果目的是快速搭一个可跑的应用流程TensorFlow 的 Keras 封装更方便。7. 训练接口、模型导出与批量任务对比深度学习框架除了训练模型还涉及数据加载、批量控制、模型导出和接口服务。这些内容决定了框架能不能真正用于实际项目。7.1 数据加载接口PyTorch 使用Dataset和DataLoader组织数据。你可以继承Dataset写自己的数据集也可以直接用TensorDataset包住张量。核心代码from torch.utils.data import DataLoader, TensorDataset dataset TensorDataset(x, y) loader DataLoader(dataset, batch_size16, shuffleTrue, num_workers2) for batch_x, batch_y in loader: # 在这里执行训练 passbatch_size控制每批样本数量shuffleTrue在每轮开始时打乱数据num_workers用多个子进程预加载数据减少 GPU 等待时间。TensorFlow 的数据接口是tf.data.Dataset写法上偏流水线风格dataset tf.data.Dataset.from_tensor_slices((x, y)) dataset dataset.shuffle(1000).batch(16).prefetch(1) for batch_x, batch_y in dataset: # 在这里执行训练 pass.prefetch(1)表示在模型训练的同时预取下一批数据可以掩盖数据读取时间。从批量任务角度看两套框架都支持 batch、shuffle、并行加载区别在于 API 风格和底层调度细节。7.2 模型导出接口训练结束后模型要导出到部署环境这里两套框架的差异比较明显。PyTorch 常用torch.jit或 ONNX 导出# 转成 TorchScript traced_model torch.jit.trace(model, example_input) traced_model.save(model.pt) # 导出 ONNX torch.onnx.export(model, example_input, model.onnx)TensorFlow 则通常保存为 SavedModel 格式再按部署目标转换成对应格式model.export(saved_model) # 或使用经典 API tf.saved_model.save(model, saved_model)SavedModel 可以被 TensorFlow Serving 直接加载这是生产环境中常见的模型服务方案。如果你未来要接接口 APITensorFlow 的 Serving 生态可以快速把模型封装成 gRPC 或 HTTP 服务PyTorch 也有 TorchServe但社区使用规模和应用案例相对少一些。7.3 批量训练的实际操作建议批量任务在训练中就是 batch、epoch 和数据流水线。你可能遇到的一个场景是显存有限但数据量很大。这时候可以先减少 batch_size比如从 32 降到 16再看显存占用和训练速度。另一个思路是控制输入尺寸图像任务把分辨率降低能显著减少显存占用。如果做的是多组参数扫描实验建议把每组实验的配置文件、日志、模型权重分开存放命名里带上日期和参数信息方便事后对比。批量跑多个模型时尽量写成可重复执行的脚本不要依赖 Jupyter 手动手动运行多次。8. 资源占用与性能观察装好框架跑起第一个模型后不要只盯着 loss 数字还要学会观察资源占用。8.1 用 nvidia-smi 观察显存训练脚本运行期间在另一个终端执行# 每 1 秒刷新一次 watch -n 1 nvidia-smiWindows 下可以在 cmd 里执行nvidia-smi -l 1实时观察显存占用和 GPU 利用率。显存占用主要由模型参数、优化器状态、中间激活值和当前批次数据组成。你调大 batch_size显存占用会明显上升调大输入分辨率中间激活值会变大显存占用同样上升。8.2 CPU 与 GPU 推理差异同样一个模型用 GPU 训练通常比 CPU 快很多但并不是所有场景都适合 GPU。数据量小、模型简单的时候CPU 和 GPU 的差距可能不明显因为数据在 CPU 和 GPU 之间拷贝也有开销。入门阶段建议先在 CPU 上跑通小样例再切到 GPU 跑完整数据这样能同时理解两套运行方式。如果你需要强制指定设备PyTorch 里可以这样device torch.device(cuda if torch.cuda.is_available() else cpu) model.to(device) x x.to(device)TensorFlow 里默认自动选择设备也可以用tf.device指定with tf.device(/GPU:0): prediction model(x)8.3 降低显存占用的常见手段优先从这三个方向下手减小 batch_size、降低输入分辨率、减少模型隐藏层宽度。后续进阶可以学习梯度累积、混合精度训练和模型并行但入门阶段不需要把这些都用上先把最基本的 batch_size 控制好效果最直接。如果训练中途报显存不足不要只想到换显卡先看是不是 batch_size 过大。很多时候从 32 降到 8 就能跑通。训练完成后要养成及时释放显存的习惯。长时间不释放会占用显存导致下一次训练直接报错。最直接的方法是重启 Python 进程或重启 Jupyter Kernel。9. 常见问题与排查方法环境问题占了初学者调试的大部分时间下面把高频问题集中整理成表按“现象、原因、排查方式、解决方案”四步走。问题现象可能原因排查方式解决方案import tensorflow 时报 DLL 或依赖错误Python/numpy 版本不匹配或缺少 VC 运行库查看报错日志检查 Python 版本和 numpy 版本升级到 Python 3.11 左右重装 numpyWindows 安装对应运行库torch.cuda.is_available() 返回 False装成了 CPU 版 torch或驱动太旧查看 torch.version是否带 cpu 字样按官方命令安装对应 cu 版本更新显卡驱动TensorFlow 找不到 GPU设备列表为空缺少 CUDA 依赖或驱动不是最新运行 tf.config.list_physical_devices(GPU)使用 tensorflow[and-cuda] 安装检查驱动训练报显存不足 OOMbatch_size 过大或输入分辨率过高查看 nvidia-smi 中的显存占用调小 batch_size降低输入分辨率清理残留进程pip 安装速度很慢或超时默认源下载慢观察下载速度配置国内镜像源Jupyter 里 import 不到 conda 环境的包Jupyter 默认使用另一个 Python检查 sys.executable安装 ipykernel 并注册内核nvidia-smi 有输出但训练时用不了 GPU驱动检测异常或驱动装好后未重启运行驱动诊断命令重装驱动检查安全设置和内核模块loss 不下降或波动很大学习率不合适或数据没有归一化输出每个 batch 的 loss 观察趋势调低学习率检查输入数据范围检查是否遗漏 zero_gradJetson 上安装的 PyTorch 无法运行ARM 架构和通常的 pip 包不匹配查看设备架构和 JetPack 版本从适配该 JetPack 的官方或社区渠道安装对应版本如果遇到上述表格没有覆盖的问题一个通用排查思路是先看完整报错日志找到第一次出现 Error 的位置不要只看最后几行然后确认当前环境里 import 的包确实来自你激活的虚拟环境最后去搜索引擎搜报错原文通常都能找到解决方案。10. 入门学习路线与工程实践框架选好后接下来就是怎么学、怎么练的问题。零基础入门深度学习建议按照下面的路线推进。10.1 第一阶段掌握基础概念先用一到两周时间把张量、自动微分、损失函数、梯度下降这四个核心概念弄明白。你用 PyTorch 写一个简单的线性回归就是在实践这些概念。这一阶段不要急着看复杂的 CNN 或 Transformer先把训练循环跑通知道每一步在干什么。10.2 第二阶段跑通一个分类模型选一个经典数据集比如 MNIST 手写数字识别完成一次完整的训练和验证。记住流程不只是 model 的定义还包括数据划分、归一化、训练循环、验证集评估。跑通后你可以调整模型层数、学习率观察对结果的影响这是建立直觉最快的办法。10.3 第三阶段学习经典网络结构掌握卷积神经网络CNN、循环神经网络RNN和 Transformer 的基本原理。每个结构对应的实际代码量并不多但要理解它们的输入输出维度变化。很多人卡在“只会 import 模型不会自己搭模型”解决方法是把官方示例代码手敲一遍不要复制粘贴。10.4 第四阶段补齐工程能力当你用 PyTorch 完整跑通了训练流程回头再看 TensorFlow重点学习和训练不同的部分模型保存格式、Serving 部署、移动端转换。这样你就同时拥有了“研究原型能力”和“工程部署意识”在团队里能接的活会宽很多。10.5 工程实践习惯环境管理上每个项目固定一个虚拟环境用 requirements.txt 或 conda 环境导出文件记录依赖数据和模型按项目分目录存放训练输出加上时间戳每次实验记录超参数和最终指标方便回溯。使用公开数据集和开源模型时留意数据集的版权和使用条款。训练涉及人脸、声音、用户隐私数据时必须确认授权范围。商用场景下这些合规问题不能等到上线前才考虑。11. 总结与下一步选框架这件事不要变成拖延学习的借口。如果你的第一反应是“我想先跑通一个模型”那就选 PyTorch跟着一个 MNIST 或 CIFAR-10 的教程完整敲一遍收获会非常大。如果你的第一反应是“我想做一个能上线的模型服务”那先学 TensorFlow 的 Keras 训练流程和模型导出再补部署链路。最值得尝试的第一步是把第 6 小节的代码分别在 CPU 和 GPU 上跑一遍观察时间差异和显存占用。最容易踩的坑是版本匹配问题尤其是 CUDA 和 cuDNN 相关报错遇到后先回到第 3 节和第 9 节检查。下一步可以做的事很明确用 PyTorch 实现一次手写数字分类再用 TensorFlow 加载同一个任务对比训练代码差异。这样两套框架的特点你都会心里有数后续无论是读论文、复现开源模型还是做实际项目部署都有了基础。建议把这篇文章收藏备用安装环境或排查问题时直接对照操作。