一、PyTorch

1. 是什么

PyTorch 是由 Facebook（现 Meta）AI 研究院主导开发的、基于 动态计算图 的深度学习框架。其设计完全遵循 Python 语言习惯，核心特点是 Define-by-Run：你在写代码的过程中，计算图会随每一行实际运算动态地构建起来。

2. 为什么（设计哲学与优势）

• 极致的研究友好性：由于图是动态的，可以像调试普通 Python 程序一样使用 pdb 或 IDE，不必先“编译”整张图再运行。对循环、条件分支、可变序列长度的网络极其自然。

• Pythonic 风格：张量操作、自动微分接口与 NumPy 几乎无缝切换，学习成本低。

• 强大的分布式与生态：torch.distributed、TorchScript、以及后来的 torch.compile 逐步补齐了从研究到部署的链条。Hugging Face、TIMM 等庞大生态几乎都构建在 PyTorch 之上。

• 快速迭代：非常适合需要不断试错的学术环境，因此近年来顶会论文的官方实现已绝大多数采用 PyTorch。

3. 怎样做（典型工作流）

• 数据：继承 Dataset / DataLoader。

• 模型：继承 nn.Module，在 __init__ 中定义层，在 forward 中写前向逻辑。

• 训练：手动编写训练循环。选择优化器 optim，计算损失 loss = criterion(out, target)，然后 loss.backward() + optimizer.step()。

• 部署：通过 torch.jit.trace/script 导出 TorchScript；或者直接使用 ONNX；新项目多用 torch.export 与 torch.compile 进行图优化与加速。

二、Keras

1. 是什么

Keras 是一个高级神经网络 API，它本身不是一个底层计算引擎，而是对 TensorFlow、JAX 或 PyTorch 等后端的封装。由 François Chollet 提出，核心理念是“为人类设计的 API”。目前已内嵌为 tf.keras，同时也有多后端版本 keras-core（现已成为官方 keras 3.0）。

2. 为什么（设计哲学与优势）

• 极低的认知负载：减少用户需要做的决定，把最佳实践固化为默认行为（合理的初始化、默认的优化器参数等）。

• 极快的原型开发速度：Sequential 或 Functional API 几行代码就能搭出标准网络，训练只需 compile + fit。

• 后端无关：Keras 3.0 可在 TensorFlow、JAX 和 PyTorch 上无感运行，一套代码多处使用。

• 适合教学和工业快速验证：将复杂概念（如多 GPU 训练、混合精度）封装为简单参数。

3. 怎样做（典型工作流）

• 模型：model = Sequential([...]) 或用 Functional API 构建多输入/输出。

• 编译：model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=["accuracy"])。

• 训练：model.fit(train_ds, epochs=10, validation_data=val_ds)，所有回调、日志、分布式训练均由框架自动处理。

• 扩展：可编写自定义层 Layer、自定义训练循环 GradientTape（在 TensorFlow 后端时）来突破 fit 的局限。

三、TensorFlow

1. 是什么

TensorFlow 是 Google Brain 团队开发的端到端机器学习平台，其核心是 静态计算图 架构。用户先用符号式 API 定义完整的计算图，然后在 Session 中高效地执行。2.x 版本后，默认启用 Eager Execution 让编码体验更接近 PyTorch，但其底层的图优化和部署能力依旧是其核心竞争力。

2. 为什么（设计哲学与优势）

• 生产部署的无出其右：TensorFlow Serving、TensorFlow Lite（移动/嵌入式）和 TensorFlow.js（浏览器）构成了完整的跨场景部署方案。这是目前 PyTorch 仍然在追赶的部分。

• 图级别的全局优化：XLA 编译器可以对整个静态图进行算子融合、内存优化，在 TPU 或 GPU 上达到极致性能。

• 全面的生态系统：除了训练，还有 TFX 用于数据验证与管道，TensorBoard 用于可视化，tf.data 用于构建高性能输入管道。

• 工业规模稳定：适合大型团队构建标准化、长期维护的生产流水线。

3. 怎样做（典型工作流）

• 图与 Eager 双模式：可直接像 PyTorch 一样逐行运算（Eager），也可以用 @tf.function 装饰器将 Python 函数编译成高性能静态图。

• 数据：tf.data.Dataset 从文件、TFRecord 中构建高性能流水线，实现预取与并行处理。

• Keras 为一等公民：官方推荐使用 tf.keras 进行模型构建和训练，几乎涵盖所有高级 API。

• 部署：模型保存为 SavedModel 格式，直接部署到 TF Serving、TFLite、TF.js 等不同运行环境。

四、核心对比与总结

📊 Mermaid 总结框图

这个框图可以这样理解：

• 纵向：分别展示每个框架的设计理念、典型工作流和生态优势。

• 横向虚线：说明 Keras 作为高级 API 与另外两者的关系。

• 最下方：给出基于不同需求的选择建议。