# TensorFlow 1.x（靜態(tài)圖） → 借鑒 PyTorch → TensorFlow 2.x（動(dòng)態(tài)圖）
# PyTorch（動(dòng)態(tài)圖） → 借鑒 TensorFlow → PyTorch JIT（靜態(tài)圖支持）

# PyTorch 的動(dòng)態(tài)圖
import torch
x = torch.tensor([1.0])
y = torch.tensor([2.0])
z = x + y  # 立即執(zhí)行

# TensorFlow 2.x 的動(dòng)態(tài)圖
import tensorflow as tf
x = tf.constant([1.0])
y = tf.constant([2.0])
z = x + y  # 立即執(zhí)行（Eager Execution）

# 兩者都支持的靜態(tài)圖/圖模式
# PyTorch TorchScript
@torch.jit.script
def model(x):
    return x * 2

# TensorFlow tf.function
@tf.function
def model(x):
    return x * 2

# Keras API 成為事實(shí)標(biāo)準(zhǔn)（兩者都支持）
# TensorFlow 內(nèi)置 Keras
model = tf.keras.Sequential([...])

# PyTorch 有第三方實(shí)現(xiàn)（但官方推薦自己的方式）
# PyTorch Lightning / torch.nn 模塊設(shè)計(jì)受 Keras 影響
import torch.nn as nn
model = nn.Sequential(...)

ONNX（Open Neural Network Exchange）作為橋梁：
PyTorch → ONNX → TensorFlow
TensorFlow → ONNX → PyTorch

工具鏈：
- torch.onnx.export()      # PyTorch 導(dǎo)出
- onnx-tf                  # ONNX 轉(zhuǎn) TensorFlow
- tf2onnx                  # TensorFlow 轉(zhuǎn) ONNX

# 1. PyTorch 模型在 TensorFlow 中運(yùn)行
# 使用 ONNX Runtime
import onnxruntime as ort
ort_session = ort.InferenceSession("pytorch_model.onnx")

# 2. TensorFlow 模型在 PyTorch 中運(yùn)行
# 使用 tf2onnx + onnx2pytorch
# 或直接使用 TensorFlow 的 SavedModel

# 3. 數(shù)據(jù)格式轉(zhuǎn)換
import torch
import tensorflow as tf
import numpy as np

# NumPy 作為中介
numpy_array = np.random.randn(3, 224, 224)

# NumPy → PyTorch Tensor
torch_tensor = torch.from_numpy(numpy_array).float()

# NumPy → TensorFlow Tensor
tf_tensor = tf.constant(numpy_array, dtype=tf.float32)

# 相互轉(zhuǎn)換
torch_to_tf = tf.constant(torch_tensor.numpy())
tf_to_torch = torch.from_numpy(tf_tensor.numpy())

# 場(chǎng)景：研究用 PyTorch，部署用 TensorFlow
# 研究階段（PyTorch）
import torch
import torch.nn as nn

class ResearchModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.layers = nn.Sequential(...)
    
    def forward(self, x):
        return self.layers(x)

# 訓(xùn)練和實(shí)驗(yàn)后，轉(zhuǎn)換為 ONNX
torch.onnx.export(model, dummy_input, "model.onnx")

# 生產(chǎn)部署（TensorFlow + TensorRT/TFLite）
# 使用 ONNX-TensorFlow 轉(zhuǎn)換

# 1. Hugging Face Transformers（同時(shí)支持）
from transformers import AutoModel

# PyTorch
model = AutoModel.from_pretrained("bert-base-uncased")

# TensorFlow
model = TFAutoModel.from_pretrained("bert-base-uncased")

# 2. Keras 3.0（多后端支持）
# 可以切換 TensorFlow、PyTorch、JAX 后端
import keras
keras.config.set_backend("torch")  # 使用 PyTorch 后端
keras.config.set_backend("tensorflow")  # 使用 TensorFlow 后端

# MLIR（Multi-Level IR）趨勢(shì)
# TensorFlow 使用 MLIR 作為編譯器基礎(chǔ)設(shè)施
# PyTorch 2.0 的 TorchDynamo 也向類似方向發(fā)展

# JAX 作為另一個(gè)影響因子
# 兩者都在借鑒 JAX 的純函數(shù)式思想

# 如果是：
# 1. 學(xué)術(shù)研究、快速原型 → PyTorch
# 2. 工業(yè)部署、移動(dòng)端 → TensorFlow
# 3. 大型團(tuán)隊(duì)、企業(yè)級(jí) → 兩者都可能（考慮團(tuán)隊(duì)熟悉度）
# 4. 特定需求（TPU、TensorRT） → 選擇支持更好的

# 最好掌握兩者基礎(chǔ)：
# 研究論文通常提供兩種實(shí)現(xiàn)
# 工作中可能遇到兩種代碼庫(kù)