原文鏈接：https://zh.d2l.ai/chapter_computational-performance/hybridize.html
本文是對原文內容的摘取和擴展。

命令式編程（imperative style programs）

使用編程語句改變程序狀態，明確輸入變量，並根據程序邏輯逐步運算。

• 易於理解：在Python裏使用命令式編程時，大部分代碼編寫起來都很直觀。
• 容易調試：可以很方便地進行單步跟蹤，獲取並分析所有中間變量，或者使用Python的調試工具。

雖然使用命令式編程很方便，但它的運行可能很慢，會存在重復調用函數和長時間保存變量值等問題，耗費內存。

示例：

def sample_add(a, b):
    
 
return a + b


def sample_fancy_func(a, b, c, d):
    e = sample_add(a, b)
    f = sample_add(c, d)
    g = sample_add(e, f)
    return g


print(sample_fancy_func(1, 2, 3, 4))

運行結果：10

符號式編程（symbolic style programs）

通常在計算流程完全定義好後才被執行。

• 更高效：在編譯的時候系統容易做更多優化。
• 更容易移植：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。

一般來說，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。

由於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,不僅減少了函數調用，還節省了內存。
深度學習框架TensorFlow和Theano采用了符號式編程的方法。

示例：

def add_str():
    """僅以字符串形式返回計算流程"""
    return ‘‘‘
def add(a, b):
    return a + b
‘‘‘


def fancy_func_str():
    """僅以字符串形式返回計算流程"""
    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():
    """僅以字符串形式返回計算流程"""
    return add_str() + fancy_func_str() + ‘‘‘
print(fancy_func(1, 2, 3, 4))
‘‘‘


prog = evoke_str()
print(prog)
x = compile(prog, ‘‘, ‘exec‘)  # 通過compile函數編譯完整的計算流程並運行
exec(x)

運行結果：

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

計算圖/符號圖（computation graph/symbolic graph）

符號式編程將計算過程抽象為一張計算圖(符號圖)來描述整個計算過程。

• 易於描述計算過程，所有輸入節點、運算節點、輸出節點均符號化處理。
• 通過建立輸入節點到輸出節點的傳遞閉包，從輸入節點出發，沿著傳遞閉包完成數值計算和數據流動，直到達到輸出節點。
• 經過計算圖優化，以數據（計算）流方式完成，節省內存空間使用，計算速度快，但不適合程序調試，通常不用於編程語言中。

大多數符號式程序都會顯式地或是隱式地包含編譯步驟，將計算圖轉換為能被調用的函數，在代碼的最後一行才真正地進行運算。
也就是說，符號式程序清晰地將定義運算圖的步驟與編譯運算的步驟分割開來。

混合式編程

簡而言之，命令式編程容易理解和調試，命令語句基本沒有優化，按原有邏輯執行。
符號式編程涉及較多的嵌入和優化，不容易理解和調試，但運行速度有同比提升。

有沒有可能既得到命令式編程的好處，又享受符號式編程的優勢？
開發者們認為，用戶應該用純命令式編程進行開發和調試；
當需要產品級別的計算性能和部署時，用戶可以將大部分命令式程序轉換成符號式程序來運行。
深度學習框架caffe和mxnet采用了兩種編程模式混合的方法。

Python - 命令式編程與符號編程