前言：新手入门深度学习，一定会遇到一个难题——选择PyTorch还是TensorFlow？两者都是AI领域最主流的深度学习框架，网上众说纷纭，有的说PyTorch适合新手，有的说TensorFlow更适合就业，新手看完更懵，不知道该选哪个，甚至有人两个都学，最后精力分散，哪个都没学好。今天从新手视角，对比两者的优缺点、适用场景，帮你快速做出选择，避开选择困难症，高效入门深度学习！

核心结论：新手入门，优先选PyTorch！上手简单、调试友好、学习资源丰富，适合新手快速入门和科研；如果未来想从事工业级部署、跨平台开发，再补充学习TensorFlow，不用一开始就两个都学，专注一个更高效。

一、PyTorch（新手首选，推荐）

1. 核心优点（适合新手的点）：

- 导数：表示“函数的变化率”，比如一个函数y=x²，导数是2x，用于描述函数的增减趋势；

- 动态计算图，调试友好：运行代码时，能实时看到每一步的结果，遇到报错能快速定位问题，新手不用担心“代码跑通了，却不知道哪里错了”；

- 学习资源丰富：CSDN、B站上的新手教程，大多是基于PyTorch的，遇到问题能快速找到解决方案，而且PyTorch的官方文档也很友好，适合新手查阅

import numpy as np import pandas as pd from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split import matplotlib.pyplot as plt

- 语法简洁，上手简单：和Python语法高度契合，代码逻辑清晰，新手容易理解，比如搭建一个简单的神经网络，PyTorch的代码比TensorFlow更简洁，容易上手；

# 1. 准备数据（模拟房屋面积与房价的关系） data = pd.DataFrame({ "面积": [50, 60, 70, 80, 90, 100, 110, 120], "房价": [100, 120, 145, 160, 185, 200, 220, 240] })

# 2. 划分输入特征（X）和目标变量（y） X = data[["面积"]] y = data["房价"]

# 3. 划分训练集（80%）和测试集（20%） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 4. 初始化并训练模型 model = LinearRegression() model.fit(X_train, y_train)

# 5. 预测并评估模型 y_pred = model.predict(X_test) print("测试集房价预测结果：", y_pred) print("模型准确率（R²）：", model.score(X_test, y_test)) # R²越接近1，模型效果越好

# 6. 可视化结果（直观查看预测值与真实值的差距） plt.scatter(X, y, color="blue", label="真实数据") plt.plot(X, model.predict(X), color="red", label="预测线") plt.xlabel("房屋面积（㎡）") plt.ylabel("房价（万元）") plt.legend() plt.show()

项目2：逻辑回归（垃圾邮件识别）—— 分类任务入门

项目目标：根据邮件内容，判断邮件是否为垃圾邮件，掌握逻辑回归的基本用法，理解“分类类任务”的核心流程。

完整代码（复制可直接运行）：

from sklearn.linear_model import LogisticRegression from sklearn.feature_extraction.text import CountVectorizer from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score

# 1. 准备数据（模拟邮件内容和标签：1=垃圾邮件，0=正常邮件） emails = [ "免费领取礼品，点击链接立即领取", "您好，请问您需要咨询产品吗？", "恭喜您中了一等奖，点击领取奖金", "明天上午10点开会，请准时参加", "低价出售手机，正品保障，先到先得", "您的快递已送达，请及时取件", "刷单赚钱，日入上千，无门槛", "请查收本月工资明细" ] labels = [1, 0, 1, 0, 1, 0, 1, 0]

# 2. 将文本转换为可处理的特征（文本不能直接输入模型，需转换为数值） vectorizer = CountVectorizer() X = vectorizer.fit_transform(emails)

# 3. 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.25, random_state=42)

# 4. 训练逻辑回归模型 model = LogisticRegression() model.fit(X_train, y_train)

# 5. 预测并评估模型 y_pred = model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print("模型准确率：", accuracy) print("预测结果（1=垃圾邮件，0=正常邮件）：", y_pred)

# 6. 测试新邮件 new_email = ["免费领取手机，点击链接"] new_email_feature = vectorizer.transform(new_email) print("新邮件预测结果：", model.predict(new_email_feature))

项目3：K-means聚类（用户分群）—— 无监督学习入门

项目目标：根据用户的消费金额和消费频率，对用户进行分群，掌握K-means聚类的基本用法，理解无监督学习的核心流程。

完整代码（复制可直接运行）：

import numpy as np import pandas as pd from sklearn.cluster import KMeans import matplotlib.pyplot as plt

# 1. 准备数据（模拟用户消费数据：消费金额、消费频率） data = pd.DataFrame({ "消费金额（元）": [100, 200, 50, 300, 400, 60, 80, 350, 450, 70], "消费频率（次/月）": [2, 3, 1, 4, 5, 1, 2, 4, 5, 1] })

# 2. 初始化K-means模型（将用户分为3类） kmeans = KMeans(n_clusters=3, random_state=42)

# 3. 训练模型并给用户分配聚类标签 data["用户类别"] = kmeans.fit_predict(data[["消费金额（元）", "消费频率（次/月）"]])

# 4. 可视化聚类结果 plt.scatter(data[data["用户类别"]==0]["消费金额（元）"], data[data["用户类别"]==0]["消费频率（次/月）"], color="red", label="类别1（低消费低频率）") plt.scatter(data[data["用户类别"]==1]["消费金额（元）"], data[data["用户类别"]==1]["消费频率（次/月）"], color="blue", label="类别2（中消费中频率）") plt.scatter(data[data["用户类别"]==2]["消费金额（元）"], data[data["用户类别"]==2]["消费频率（次/月）"], color="green", label="类别3（高消费高频率）") plt.xlabel("消费金额（元）") plt.ylabel("消费频率（次/月）") plt.legend() plt.show()

# 5. 查看聚类结果 print("用户分群结果：") print(data)

新手实战提醒：

1. 不要直接复制代码就完事，运行成功后，尝试修改参数（比如K-means的n_clusters、线性回归的test_size），观察结果变化，理解参数的作用；

2. 遇到报错，先看报错信息，大部分是库未安装或语法拼写错误，CSDN搜索报错信息就能找到解决方案；

3. 这3个项目是AI入门的基础，掌握后，就能轻松理解更复杂的AI项目，后续可以尝试修改数据、优化模型，提升实战能力。