AI 框架指用于构建和训练机器学习/深度学习模型的开发平台，提供张量运算、自动求导、模型库与部署工具，是 AI 开发的底座，代表如 PyTorch、PaddlePaddle、TensorFlow 等。
AI Glossary
AI 框架指用于构建和训练机器学习/深度学习模型的开发平台：提供张量运算、自动求导、模型定义、训练循环与部署工具，是 AI 开发的「地基」。开发者基于框架构建模型，而不是从零实现底层数学。
张量运算：多维数组的高性能计算。
自动求导：梯度自动计算，支撑模型训练。
模型构建：神经网络的定义与组合。
训练与部署：训练流程与模型发布工具。
PyTorch：研究友好的框架，动态图灵活，学术界广泛使用。
PaddlePaddle（飞桨）：百度全栈平台，中文生态与产业工具完善。
TensorFlow：成熟框架，生产部署生态完整。
JAX：科学计算与可微编程的新兴框架。
深度学习开发：模型训练、研究与实验。
产业应用：视觉、语言等场景的模型落地。
科研计算：机器学习方法的学术研究。
教学学习：AI 开发的基础学习平台。
一是「开发效率」：底层计算抽象，开发者聚焦模型设计。
二是「生态支撑」：模型库、预训练权重与社区资源。
三是「产业落地」：训练到部署的工具链，应用更顺畅。
看生态：团队熟悉度、社区资源与模型库覆盖。
看场景：研究实验与产业部署的需求差异。
看支持：文档、教程与中文资料的可获得性。
看团队：现有技术栈与技能储备决定迁移成本。
先掌握一个框架：从 PyTorch 或飞桨入门，理解核心概念。
结合项目学习：用真实任务练习数据、模型与训练流程。
善用官方教程：框架官方文档与教程是最佳入口。
逐步扩展：掌握基础后再深入部署与优化。
AI 框架是 AI 开发的底座：张量运算、自动求导与模型工具，把开发效率与落地能力标准化。选型没有绝对最优——按团队生态、场景需求与学习成本决定，从最熟悉、资料最丰富的框架入手。对开发者，掌握一个主流框架是进入 AI 开发的门票；理解框架的共性与差异，迁移与扩展才不费力。
