原文链接：https://zh.d2l.ai/chapter_computational-performance/hybridize.html
本文是对原文内容的摘取和扩展。
命令式编程（imperative style programs）
使用编程语句改变程序状态，明确输入变量，并根据程序逻辑逐步运算。
- 易于理解：在Python里使用命令式编程时，大部分代码编写起来都很直观。
- 容易调试：可以很方便地进行单步跟踪，获取并分析所有中间变量，或者使用Python的调试工具。
虽然使用命令式编程很方便，但它的运行可能很慢，会存在重复调用函数和长时间保存变量值等问题，耗费内存。
示例：
def sample_add(a, b):
return a + b
def sample_fancy_func(a, b, c, d):
e = sample_add(a, b)
f = sample_add(c, d)
g = sample_add(e, f)
return g
print(sample_fancy_func(1, 2, 3, 4))
运行结果：10
符号式编程（symbolic style programs）
通常在计算流程完全定义好后才被执行。
- 更高效：在编译的时候系统容易做更多优化。
- 更容易移植：符号式编程可以将程序变成一个与Python无关的格式，从而可以使程序在非Python环境下运行，以避开Python解释器的性能问题。
一般来说，符号式编程的程序需要下面3个步骤：
- 定义计算流程；
- 把计算流程编译成可执行的程序；
- 给定输入，调用编译好的程序执行。
由于在编译时系统能够完整地获取整个程序，因此有更多空间优化计算,不仅减少了函数调用，还节省了内存。
深度学习框架TensorFlow和Theano采用了符号式编程的方法。
示例：
def add_str():
"""仅以字符串形式返回计算流程"""
return ‘‘‘
def add(a, b):
return a + b
‘‘‘
def fancy_func_str():
"""仅以字符串形式返回计算流程"""
return ‘‘‘
def fancy_func(a, b, c, d):
e = add(a, b)
f = add(c, d)
g = add(e, f)
return g
‘‘‘
def evoke_str():
"""仅以字符串形式返回计算流程"""
return add_str() + fancy_func_str() + ‘‘‘
print(fancy_func(1, 2, 3, 4))
‘‘‘
prog = evoke_str()
print(prog)
x = compile(prog, ‘‘, ‘exec‘) # 通过compile函数编译完整的计算流程并运行
exec(x)
运行结果：
def add(a, b):
return a + b
def fancy_func(a, b, c, d):
e = add(a, b)
f = add(c, d)
g = add(e, f)
return g
print(fancy_func(1, 2, 3, 4))
10
计算图/符号图（computation graph/symbolic graph）
符号式编程将计算过程抽象为一张计算图(符号图)来描述整个计算过程。
- 易于描述计算过程，所有输入节点、运算节点、输出节点均符号化处理。
- 通过建立输入节点到输出节点的传递闭包，从输入节点出发，沿着传递闭包完成数值计算和数据流动，直到达到输出节点。
- 经过计算图优化，以数据（计算）流方式完成，节省内存空间使用，计算速度快，但不适合程序调试，通常不用于编程语言中。
大多数符号式程序都会显式地或是隐式地包含编译步骤，将计算图转换为能被调用的函数，在代码的最后一行才真正地进行运算。
也就是说，符号式程序清晰地将定义运算图的步骤与编译运算的步骤分割开来。
混合式编程
简而言之，命令式编程容易理解和调试，命令语句基本没有优化，按原有逻辑执行。
符号式编程涉及较多的嵌入和优化，不容易理解和调试，但运行速度有同比提升。
有没有可能既得到命令式编程的好处，又享受符号式编程的优势？
开发者们认为，用户应该用纯命令式编程进行开发和调试；
当需要产品级别的计算性能和部署时，用户可以将大部分命令式程序转换成符号式程序来运行。
深度学习框架caffe和mxnet采用了两种编程模式混合的方法。
原文地址：https://www.cnblogs.com/anliven/p/10349356.html
时间： 2025-01-14 11:54:56