南宁网站建设_seo优化服务公司广州工商学院官网

        动态图（Dynamic Graphs）和静态图（Static Graphs）通常用来描述深度学习框架中模型的构建方式。

静态图（Static Graphs）

        静态图是指模型的计算图在运行前就被定义好并且编译优化的方式。也就是说，模型的结构在执行前已经确定，不会在运行时改变。
        静态图的典型代表是TensorFlow（1.x版本）和Theano。在这些框架中，用户首先定义好计算图，然后通过会话（Session）来运行图中的运算。
        静态图的优点在于它可以进行很多优化，例如内存/计算共享、静态内存计划等，这些优化有助于提高运行效率。
        缺点是调试相对困难，因为图在运行前已经固定，用户不能动态地查看中间变量的值，且对于图的修改具有一定的复杂度。

动态图（Dynamic Graphs）

        动态图则是指模型的计算图在运行时动态构建的方式。也就是说，每次模型运行时都会构建一次图，这使得每次迭代都可以改变图的结构。
        动态图的代表框架有PyTorch和TensorFlow的Eager Execution模式。
        动态图的优点是更加灵活，易于调试，因为可以像普通Python代码那样逐行执行，并且在运行过程中轻松修改图结构或者进行打印、日志记录等操作。
        缺点是可能会牺牲一些运行效率，因为缺少对整个图的全局优化，且每次迭代都要重新构建图。
       

总结：

        静态图更适合于部署在产品环境中的模型，因为它可以提前进行优化，提高执行效率。
动态图更适合于研究和开发阶段，因为它的灵活性可以加速试验过程，使得调试和修改更加简单快捷。