#目前，神经网络框架分为静态图框架和动态图框架，，PyTorch 和 TensorFlow、 Caffe等框架最大的区别就是他们拥有不同的计算图表现形式。
# TensorFlow使用静态图，这意味着我们先定义计算图，，然后不断地使用它。而在PyTorch中，每次都会重新构建一个新的计算图。
#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它们各自的优点，
# 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需要再重新构建计算图，所以速度会比动态图快。
##下面我们比较while循环语句在TensorFlow和PyTorch中的定义
TensorFlow
#TensorFlow
import tensorflow as tf
first_counter = tf.constant(0)
second_counter = tf.constant(10)
def cond(first_counter,second_counter,*args):
return first_counter < second_counter
def body(first_counter, second_counter):
first_counter = tf.add(first_counter,2)
second_counter = tf.add(second_counter,1)
return first_counter,second_counter
c1,c2 = tf.while_loop(cond, body, [first_counter,second_counter])
with tf.Session() as sess:
counter_1_res, counter_2_res = sess.run([c1,c2])
print("counter_1_res：",counter_1_res)
print("counter_2_res：",counter_2_res)
运行结果：
PyTorch
#PyTorch
import torch
first_counter = torch.Tensor([0])
second_counter = torch.Tensor([10])
while(first_counter < second_counter)[0]: ## [0]是什么意思？？ 我感觉这里相当于把tensor[1]中的 1 取出来了
# print("first_counter < second_counter：",(first_counter < second_counter)[0])
first_counter += 2
second_counter += 1
print("first_counter：",first_counter)
print("second_counter：",second_counter)
运行结果：
#可以看到TensorFlow需要将整个图构建成静态的，，换句话说，每次运行的时候图都是一样的，是不能够改变的，所以不能够直接使用Python的while循环语句，，
# 需要使用辅助函数tf.while_loop写成TensorFlow内部的形式，这是非常反直觉的，，学习成本也是非常高的。
# 而PyTorch的动态图机制 可以使得我们能够用Python的while写循环，，非常方便。
# 我们可以看到PyTorch的写法跟Python的写法是完全一致的，没有任何额外的学习成本。并且动态图的方式更加简单且直观。
