摘要：简单来说，计算图就是将模型中的数学运算（如加法、乘法、矩阵卷积）和数据流向，以图形化的方式拆解为节点（运算）与边的结构。与静态计算图 “先画好图、再跑数据” 的模式不同，动态计算图采用 “边跑数据、边建图” 的逻辑 —— 代码执行到哪一步，对应的计算节点和数据

在人工智能模型的训练与推理中，“计算图” 是连接算法与硬件的关键桥梁，而动态计算图则凭借 “灵活可变” 的特性，成为深度学习框架的核心技术之一。

简单来说，计算图就是将模型中的数学运算（如加法、乘法、矩阵卷积）和数据流向，以图形化的方式拆解为节点（运算）与边的结构。与静态计算图 “先画好图、再跑数据” 的模式不同，动态计算图采用 “边跑数据、边建图” 的逻辑 —— 代码执行到哪一步，对应的计算节点和数据流向就实时生成，无需提前定义完整图结构。

这种 “动态性” 带来了三大核心优势：一是支持灵活的控制流，比如在模型中直接使用 if 条件判断、for 循环等常规编程逻辑，无需像静态图那样提前将分支逻辑固化；二是调试更直观，开发者可以像调试普通代码一样，在每一步查看张量数据的数值和形状，快速定位运算错误；三是适配动态数据，面对长度不固定的文本、分辨率多变的图像等数据时，动态图能自动调整节点连接方式，无需手动适配固定输入格式。

动态计算图的工作流程可概括为三步：首先，代码执行时遇到运算操作（如y = x * 2），框架会立即创建 “乘法” 节点，并记录输入数据x的流向；其次，若后续出现依赖y的运算（如z = y + 3），则基于已有节点延伸出新的 “加法” 节点，形成链式图结构；最后，反向传播时，动态图会沿着实时构建的路径，自动计算各参数的梯度，无需提前预设反向传播链路。

如今，PyTorch、TensorFlow 2.x 等主流框架均以动态计算图为默认模式，广泛应用于自然语言处理（如动态调整文本序列长度）、计算机视觉（如多尺度图像特征融合）等领域，成为科研人员快速迭代模型、开发者降低 AI 开发门槛的重要工具。

来源：自由坦荡的湖泊AI一点号