刚入门深度学习几个月，最先学的框架是pytorch，愁于自己没有好的电脑，最近采用百度的paddle框架，免费提供的时间有限的算力卡对我这个新手还算是很友好，花了半天时间大概能看懂几个入门级别的paddle框架下的代码。自我感觉还是与pytorch有些区别，目前暂时先记在这里，日后再补充。听说ai studio暂时还不支持pytorch，期待！
1.编程区别：
涉及到具体的流程，可对着ai studio官网上的paddle，和pytorch，实现mnist流程，对比二者的异同。
paddle：
参考百度官方的课程：
基本流程如上图所示，分为五个步骤，我这里再说明一下：
- 数据准备：一般包含认知数据，从文件中加载数据，打乱数据归一化等数据预处理，构造数据提供器reader四个小步骤；
- 网络配置：一般包含网络搭建，定义数据层，定义损失函数，定义优化函数几个步骤；（个人理解，这里定义数据层的用法，跟c语言中变量在使用之前先命名定义它和告诉其类型为int，类似。）
- 网络训练&评估：一般包含定义运算场所来创建Executor，定义数据映射器，定义绘制loss相关的函数，训练并保存模型；（个人理解，这里定义数据映射器，是将第二步中定义的变量通过DataFeeder映射成为Executor能接受的数据结构，可以作为输入，注意到这里还只是定义。真正的数据传输是在训练的时候发生的，是将train_reader()读入的data，通过该数据映射器转成Executor接受的数据，喂入网络）
- 网络预测：一般包含数据预处理（特别是图像），创建预测用的Executor，开始预测。
pytorch
编程过程同样一般如下：
- 数据准备：一般包含认知数据，从文件中加载数据，打乱数据归一化等数据预处理，使用 torch.utils.data.DataLoader导入。
- 网络配置：一般包括，网络搭建（继承nn.Module，网络结构，定义前向传播），实例化，定义损失函数和优化器。
- 网络训练：一般包括，前向传播求输出和损失，使用损失反向传播和优化器，打印相关loss信息和保存模型等等。（通过torch.utils.data.DataLoader导入的数据一般直接可以在训练时用枚举函数enumerate取出）
- 网络预测：一般包括，数据预处理，输入模型开始预测。
可以看出，使用pytorch更符合我们推导数据处理以及正反向传播的一般思路。
总结
参考paddle官方文档：paddle底层设计思想
fluid内部的静态图执行流程如下：
paddle代码里构建的图是Program，我们需要编写python程序，通过调用paddle的api，向Program添加变量及对变量的操作，过程中经由Transpiler进行了编译。需事先定义好完整的program，提交至executor后不可修改。
本人目前暂时啊还未学习tf，听说tf1版本使用静态图，也就是说使用时得先定义计算图，然后不断来使用。在pytorch中，每次都会重新构建一个动态图，所以更符合我们正常的思路。
至于动态图和静态图的优缺点，参考这篇博客：
对于使用者来说，两种形式的计算图有着非常大的区别，同时静态图和动态图都有他们各自的优点，比如动态图比较方便debug，使用者能够用任何他们喜欢的方式进行debug，同时非常直观，而静态图是通过先定义后运行的方式，之后再次运行的时候就不再需要重新构建计算图，所以速度会比动态图更快。
在学习paddle之后，我对此有了更深入的理解。网上看到PaddlePaddle也是至最新的1.5.x版本开始提供动态图API，目前暂时还未学到那里，先几个笔记日后再学。
以上只是我一点特别粗浅的看法，有错误诚请指出！
