# 8.1 命令式和符號式混合編程 本書到目前為止一直都在使用命令式編程，它使用編程語句改變程序狀態。考慮下面這段簡單的命令式程序。 ``` python 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 fancy_func(1, 2, 3, 4) # 10 ``` 和我們預期的一樣，在運行語句`e = add(a, b)`時，Python會做加法運算并將結果存儲在變量`e`中，從而令程序的狀態發生改變。類似地，后面的兩條語句`f = add(c, d)`和`g = add(e, f)`會依次做加法運算并存儲變量。 雖然使用命令式編程很方便，但它的運行可能很慢。一方面，即使`fancy_func`函數中的`add`是被重復調用的函數，Python也會逐一執行這3條函數調用語句。另一方面，我們需要保存變量`e`和`f`的值直到`fancy_func`中所有語句執行結束。這是因為在執行`e = add(a, b)`和`f = add(c, d)`這2條語句之后我們并不知道變量`e`和`f`是否會被程序的其他部分使用。 與命令式編程不同，符號式編程通常在計算流程完全定義好后才被執行。多個深度學習框架，如**Theano和TensorFlow，都使用了符號式編程**。通常，符號式編程的程序需要下面3個步驟： 1. 定義計算流程； 2. 把計算流程編譯成可執行的程序； 3. 給定輸入，調用編譯好的程序執行。 下面我們用符號式編程重新實現本節開頭給出的命令式編程代碼。 ``` python def add_str(): return ''' def add(a, b): return a + b ''' def fancy_func_str(): 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(): return add_str() + fancy_func_str() + ''' print(fancy_func(1, 2, 3, 4)) ''' prog = evoke_str() print(prog) y = compile(prog, '', 'exec') exec(y) ``` 輸出： ``` 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 ``` 以上定義的3個函數都僅以字符串的形式返回計算流程。最后，我們通過`compile`函數編譯完整的計算流程并運行。由于在編譯時系統能夠完整地獲取整個程序，因此有更多空間優化計算。例如，編譯的時候可以將程序改寫成`print((1 + 2) + (3 + 4))`，甚至直接改寫成`print(10)`。這樣不僅減少了函數調用，還節省了內存。 對比這兩種編程方式，我們可以看到以下兩點。 * 命令式編程更方便。當我們在Python里使用命令式編程時，大部分代碼編寫起來都很直觀。同時，命令式編程更容易調試。這是因為我們可以很方便地獲取并打印所有的中間變量值，或者使用Python的調試工具。 * 符號式編程更高效并更容易移植。一方面，在編譯的時候系統容易做更多優化；另一方面，符號式編程可以將程序變成一個與Python無關的格式，從而可以使程序在非Python環境下運行，以避開Python解釋器的性能問題。 ## 8.1.1 混合式編程取兩者之長 大部分深度學習框架在命令式編程和符號式編程之間二選一。例如，**Theano和受其啟發的后來者TensorFlow使用了符號式編程，Chainer和它的追隨者PyTorch使用了命令式編程，而Gluon則采用了混合式編程的方式**。 ...... > 由于PyTorch僅僅采用了命令式編程，所以跳過本節剩余部分，感興趣的可以去看[原文](https://zh.d2l.ai/chapter_computational-performance/hybridize.html)