引言

文本从PaddlePadle和Tensorflow2的入门项目Mnist识别开始，对比一下两者在写法的不同

---

安装

安装方面都是基于pip或者conda的安装，没有可比性！
PaddlePaddle的安装直接参考PaddlePaddle安装

Tensorflow的安装直接在命令行输入即可

pip install tensorflow

相比之下，两者的安装都比较轻便，不过PaddlePaddle做了一个比较人性化的可选页面，这里点一个赞

---

数据集加载

两者对于Mnist数据集的加载都有简洁的接口，没什么可比性

• Tensorflow2

import tensorflow as tf
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()

• PaddlePaddle

import paddle
# 加载数据集
train_dataset,test_dataset = paddle.vision.datasets.MNIST(mode='train'),  paddle.vision.datasets.MNIST(mode='test')

---

模型定义

两者都支持Sequential方式定义面模型

• Tensorflow2

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(128, activation='relu'),
    tf.keras.layers.Dense(10, activation='softmax')
])

• PaddlePaddle

model = paddle.nn.Sequential(
    paddle.nn.Flatten(),
    paddle.nn.Linear(784, 128),paddle.nn.ReLU(),
    paddle.nn.Linear(128, 10),
)

---

模型配置

两者的配置大同小异，如果有人非要让我说出区别，那就是：方法名不同！！！

• Tensorflow2

model.compile(optimizer=tf.optimizers.Adam(),
              loss=tf.losses.SparseCategoricalCrossentropy(),
              metrics=['accuracy'])

• PaddlePaddle

model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
              paddle.nn.CrossEntropyLoss(),
              paddle.metric.Accuracy())

---

模型训练

模型的训练上，都采用fit方法，这好像已经默认的统一标准了

• Tensorflow2

model.fit(train_images, train_labels, validation_data=(test_images, test_labels), epochs=5)

• PaddlePaddle

model.fit(train_dataset, eval_data=test_dataset, epochs=5, batch_size=64, verbose=1)

---

总体代码对比

看完了分段情况，下面来看看总体的对比情况

结语

从上述代码来看，两者的入门写法差距不大，基本上掌握了一个，可以很快掌握另外一个，个人可以根据喜好、团队选择等方面进行选择

另外值得一提的是百度的开发文档相对来说更加良心一些，api说明到demo的实现都有比较好的案例PaddlePaddle开发文档，后面有机会再看看进一步的写法对比！