Pytorch Eager模式
Eager Execution模式（即时执行模式）是指一种动态图计算模式，其中每个操作都立即被执行，而不是被先放入计算图中。这与静态图计算框架（如TensorFlow 的早期版本）的工作方式不同。
即时计算 Eager Execution 模式下，每个操作都会立即执行，而不是构建一个计算图。
调试友好 Eager Execution 模式更加直观，更容易进行调试，因为可以像在传统编程中一样逐行执行代码。
动态构建计算图 在 Eager模式下，计算图是动态构建的，这意味着可以使用控制流结构（如 if 语句、循环等）而无需事先定义静态图。
MS，Pytorch，Tensorflow
MS做的是一个不带eager mode能力的tf2.x，5年前领先tf（tf1.x的构图语言易用性差）
pytorch 靠eager mode易用性在学术界广泛应用，然后再nv支持下完善算子性能、host调度性能；
TF2.x 一个不需要额外学习的构图语言，并且支持eager mode执行。但对tf1.x不兼容，没有获得用户好评。
MS
MS迟迟无法做eager mode，受两大原因影响：
1 昇腾开始性能最优，是基于Tensorflow1.x上执行CANN整图的Resnet50模型，静态shape，整图编译，极致性能。在叠满了性能的buff时也背负上场景极其受限的包袱；
2 CANN的算子在好几年里只支持静态shape编译无法泛化支持动态shape；
MS号称支持动静统一，实际是对静态图支持较好，用户按照python编码，经常触发图编译失败，原因：支持python语法成图非常难。
Pytorch Dynamo：放弃以前的torchScript思路把所有的用户脚本行为表达成一张图。选用了一个新的思路：只对能表达成图的部分做构图行为，未知的不支持部分保留原生的执行方式。
一文搞懂TorchDynamo原理 fkong.tech/posts/2023-…
