在机器学习中，动态图和静态图是两种不同的计算图模型，用于构建和执行神经网络模型。它们的主要区别在于计算图的构建方式和执行方式：
1. 静态图 (Static Graph)
- 定义：静态图是一种先定义后运行的计算图模型。在静态图中，首先需要将整个计算图的结构定义好，包括网络的层、节点和连接方式等。然后再将数据传入图中进行计算。
- 代表框架：TensorFlow的早期版本（如TensorFlow 1.x）采用静态图模型。
- 特点：静态图在定义之后通常需要经过编译优化，可以静态地分配资源和优化计算流程，因此在执行时有较高的效率和性能。
2. 动态图 (Dynamic Graph)
- 定义：动态图是一种定义即运行的计算图模型。在动态图中，计算图的结构是根据实际运行过程中的数据动态构建的，每次前向计算时都可以根据输入数据动态调整图的结构。
- 代表框架：PyTorch、TensorFlow 2.x（Eager Execution模式）等采用动态图模型。
- 特点：动态图更加灵活，可以方便地进行调试和模型构建，不需要显式地定义整个计算图结构。这种模式更加符合直觉，容易理解和编写。
3. 区别总结
- 静态图是先定义后运行，需要在计算前定义好整个计算图的结构，然后再传入数据进行计算。它的优点是能够进行全局优化，提高计算效率，但使用起来可能相对复杂。
- 动态图是定义即运行，每次前向计算都可以动态构建计算图，更加灵活和直观，适合用于交互式环境和快速原型开发。
说明：以上由 AI 生成，使用的模型为 ChatGPT 。
博主补充：TensorFlow 的早期版本 TensorFlow 1.x 是静态图，在搭建完结构后，需要创建会话（Session）并调用 sess.run() 来执行整个计算图，也就是需要额外代码运行。对于动态图（例如 PyTorch、TensorFlow 2.x）来说，如果新增或删除了神经网络中的某个节点，计算图的结构会自动更新，直接得到正向传播的计算结果，或者用于后续的反向传播等计算操作，不需要额外代码运行。以下是正向传播的 TensorFlow 代码例子，来说明静态图和动态图的区别。
TensorFlow 1.x 静态图例子：
# Tensorflow 静态图
import tensorflow.compat.v1 as tf1
tf1.disable_v2_behavior() # 使用 TensorFlow 1.x 风格
a1 = tf1.constant(5)
b1 = tf1.constant(3)
c1 = tf1.multiply(a1, b1)
with tf1.Session() as sess: # 创建会话并执行计算图
result = sess.run(c1)
print("TensorFlow 1.x 静态图结果：", result)TensorFlow 2.0 动态图例子：
# Tensorflow 动态图
import tensorflow as tf2
a2 = tf2.constant(5)
b2 = tf2.constant(3)
c2 = tf2.multiply(a2, b2)
print("TensorFlow 2.x 动态图结果：", c2.numpy()) # 直接输出结果说明：以上两段代码好像不能放在一起同时运行，会出现一些错误。
相关博文：
【说明：本站主要是个人的一些笔记和代码分享，内容可能会不定期修改。为了使全网显示的始终是最新版本，这里的文章未经同意请勿转载。引用请注明出处：https://www.guanjihuan.com】
