TensorFlow、PyTorch 入门实战：快速搭建你的第一个AI模型

教程导读

一句话定位：本教程用对照方式讲清 TensorFlow 与 PyTorch 两套主流深度学习框架——同一任务、同一数据、两套写法，覆盖张量、自动求导、数据管线、训练循环与部署。读完你能在两者之间做有根据的选择，而不是凭口碑押宝。

这个教程解决什么问题

很多人学深度学习，卡在「公式看懂了，框架却写不利索」。更麻烦的是市场上同时有两套主流工具：TensorFlow（日常以 Keras 高层接口为主）和 PyTorch（以 nn.Module 加手写训练循环为主）。两边都能完成同一件事，但张量怎么建、梯度怎么记、数据怎么喂、训练循环谁来写、模型怎么存，答案并不一样。只学其中一套，遇到另一套的代码仓库会发懵；两套都浅尝辄止，又容易把 API 记成一锅粥。

本教程的立场很明确：不把某一边捧成唯一正确答案。我们把同一条工作流拆成五条对照轴——张量、自动求导、数据管线、训练循环、部署——每一条都先问「这件事两边各怎么做、代价是什么」，再落到 Fashion MNIST 这类入门图像分类任务上。原文用过的数据集规模（七万张 28×28 灰度图、六万训练、一万测试、十个服装类别）、Keras 的 Flatten 加 128 单元隐藏层、PyTorch 的 CrossEntropyLoss 内含 Softmax 这些细节，都会保留，不另编一套「更漂亮」的例子。

它不是算法教科书。反向传播的数学推导只讲到能解释 loss.backward() 和 GradientTape 为止；卷积神经网络只作为对照实战里的加分项。目标是：你能读懂两套代码为什么长得不一样，并能根据场景做取舍。

适合谁读

• 有 Python 基础，对层、激活、损失、优化器这些词不陌生，但还没在两个框架里各跑通过一个模型
• 已经会用其中一套，需要快速看懂另一套的对应写法
• 做选型的工程负责人：要一份「研究侧 / 生产侧」对照，而不是框架宣传册
• 准备把第一个图像分类模型从笔记本搬到可保存、可加载状态的人

学完你能做什么

1. 用自己的话说清 TensorFlow（Keras）与 PyTorch 在动态图、训练循环、部署工具链上的分工差异
2. 对照写出同一张量操作：创建、形状变换、设备迁移
3. 解释 tf.GradientTape 与 autograd 各自如何记录计算、何时需要关梯度
4. 为同一批数据分别搭 tf.data 管道和 Dataset/DataLoader 管道，并说清 prefetch 与 num_workers 各管什么
5. 对照 Keras 的 compile/fit/evaluate 与 PyTorch 手写的清梯度—前向—损失—反向—更新五步
6. 在 SavedModel / HDF5 / state_dict 之间做保存策略选择，并完成 Fashion MNIST 上的双侧最小分类模型

学习路线

第 1 章先把「为什么是这两套、环境怎么准备」说清，避免后文在安装细节上打转。第 2 章是对照的底座：张量形状对不上、梯度没录上，后面全白做。第 3 章把数据从内存数组变成可迭代批次。第 4 章把模型定义和训练循环并排摊开。第 5 章用同一数据集把两侧写法跑成可比较的结果。建议按顺序读；若你已经会 Keras 的 fit，可以从第 2 章和第 4.2、4.3 节补 PyTorch 侧。

五条对照轴怎么串

章节速览

怎么用这个教程

把本教程当成双语对照课本，而不是两本分开的入门书。每一节尽量左右对照着读：先看表格里的对应 API，再看概念代码。代码都是简化片段，重点是「这一行在另一边叫什么、少写会怎样」，不要当成可直接上线的工程仓库。

文中 ⚠️ 标的是原文里已经踩过、现在仍然高频的坑，例如 PyTorch 输出层再套一层 Softmax 却继续用 CrossEntropyLoss，或 Keras 把整数标签配成了 categorical_crossentropy。💡 标的是对照时真正省事的那条直觉。节末「要点回顾」可以当速查卡。

准备环境时，原文建议 Python 3.6 或更高，用 Conda 或 Pip 管理依赖；TensorFlow 用 pip install tensorflow 装 CPU 版，GPU 按官方说明对齐 CUDA；PyTorch CPU 示例命令是 pip install torch torchvision torchaudio。本教程不锁定具体小版本号，以免过期。Jupyter 或 Colab 都能用来跑节内片段。

本教程不覆盖什么

不讲从零推导反向传播公式，也不讲分布式训练集群怎么排故障。Transformer、检测分割、生产级 Serving 集群只在部署对照里点到名字，不展开。相邻主题里会有更专门的计算机视觉和时序深度模型；这里要求你先能把一个十类分类器在两套框架里都跑通、存住、读懂指标。

下一章我们从「人工智能、机器学习、深度学习」三层关系切入，给后面所有对照一个共同词汇表。