概念
动态计算图
动态计算图（Dynamic Computational Graph）是一种在程序每次运行时即时构建和更新的计算图机制，与静态计算图相对。其核心特征是计算图的结构可在运行时根据实际数据和控制流动态变化，支持条件分支、循环等灵活操作，便于调试和模型结构的动态调整。该机制被广泛应用于深度学习框架中，适合处理结构不固定的模型任务。
核心事实
时间轴 (近 90 天)
9月7日
PyTorch以动态计算图（define-by-run）的设计赢得了学术界青睐，调试体验接近原生Python
已验证65%
8月28日
动态计算图（Define-by-Run）在每次前向传播时实时构建计算图，代码逻辑与执行顺序一致，可使用标准断点调试、条件分支和循环
待验证50%
8月27日
PyTorch提供动态计算图和自动微分机制，让用户无需手动实现反向传播算法
已验证75%
8月13日
PyTorch 采用命令式编程（eager execution），代码按行顺序执行，张量运算即时求值
已验证70%
全部知识事实 (7)
已验证
PyTorch 采用动态计算图（Define-by-Run），每次前向传播都会重新构建图
80%已验证PyTorch提供动态计算图和自动微分机制，让用户无需手动实现反向传播算法
75%已验证PyTorch 采用命令式编程（eager execution），代码按行顺序执行，张量运算即时求值
70%已验证PyTorch、TensorFlow 内置的自动微分系统本质上是在计算图上自动执行链式求导过程
70%已验证PyTorch以动态计算图（define-by-run）的设计赢得了学术界青睐，调试体验接近原生Python
65%已验证PyTorch使用动态计算图（Define-by-Run），通过有向无环图（DAG）跟踪张量操作并实现自动微分
65%待验证动态计算图（Define-by-Run）在每次前向传播时实时构建计算图，代码逻辑与执行顺序一致，可使用标准断点调试、条件分支和循环
50%