毕设DAY11

前两天周末由于舍友的传染路线（去年也是如此）喉咙痛的不行吃医务室开的感冒药巨困，所以两天都是浑浑噩噩的但所幸是在做义工也就刷刷视频过去了，但我还是在这几天有所收获的，首先就是对数院毕设有了更多的个人想法并与后天下午与指导老师交流，再就是对pytorch和TensorFlow2这两个深度学习框架进行了了解和比对，决定花两天左右配置环境以及熟悉。主要学习视频是：2.pytorch安装介绍_哔哩哔哩_bilibili

PyTorch和TensorFlow区别：

截至2025年，PyTorch和TensorFlow在机器学习和深度学习领域仍然是两大主流框架，但它们的受欢迎程度和应用场景有所不同。

   PyTorch的受欢迎程度

• 学术研究领域：PyTorch在学术界占据主导地位，许多研究论文和大模型框架都使用PyTorch实现。例如，在一些顶级学术会议中，使用PyTorch的论文占比远高于TensorFlow。
• 灵活性和易用性：PyTorch的动态计算图和直观的编程体验使其在研究和实验中更受欢迎。它允许开发者在运行时动态调整模型结构，调试也更加方便。
• 社区支持：PyTorch的社区活跃度高，尤其是在学术研究和创新项目中。

   TensorFlow的受欢迎程度

• 生产环境和企业应用：TensorFlow在大规模生产环境和企业应用中仍然具有优势。它提供了丰富的工具和库，如TensorFlow Serving和TensorFlow Lite，支持高效的模型部署。
• 静态计算图：虽然TensorFlow 2.x引入了动态图特性，但其静态计算图在执行效率和优化方面仍然具有优势。
• 跨平台支持：TensorFlow支持多种平台和语言，适合需要跨平台部署的应用。

   总结

• 研究和学术：如果你主要从事学术研究或需要快速实验和调试，PyTorch是更好的选择。
• 生产部署：如果你需要在生产环境中部署模型，处理大规模数据集，TensorFlow可能更适合

然后就是看到几篇rnn的好博客，同时看了许多数院相关参考文献，有了一点点个人想法。今天差不多就这样

Pytorch循环神经网络（RNN）快速入门与实战_torch rnn-优快云博客

【python】pytorch快速实现RNN循环神经网络保姆级教学_哔哩哔哩_bilibili