Python命令式编程与符号编程

在编程领域，我们经常会遇到两种截然不同的编程范式：命令式编程和符号式编程。它们各有千秋，也各有短板。今天，我们就来聊聊这两者的区别，以及它们在实际应用中的博弈与融合。

命令式编程

命令式编程，说白了就是“一步一步来”——你通过编程语句，明确地告诉程序每一步要做什么，程序就按部就班地执行下去，直到得出结果。这种模式非常直观，因为它和我们人类思考问题的方式很像：先做A，再做B，然后得到C。

怎么说呢，命令式编程最大的优点就是——直观。代码怎么写的，就怎么执行，一目了然。这意味着，它在调试时非常友好：你可以轻松地单步跟踪，查看每一个中间变量的值，或者直接使用各种调试工具来定位问题。

但凡事都有代价。命令式编程的直观，换来的往往是性能上的妥协。由于它每一步都“亲力亲为”，可能会存在重复调用函数、长时间保存中间变量等问题，导致内存占用高、运行速度慢。

举个例子，看看下面这段代码：

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))

运行结果：10

这段代码每一步都清晰可见，但每一步都实实在在地执行了函数调用，没有“偷懒”的空间。

符号式编程

符号式编程则完全是另一种思路。它不急着算，而是先把整个计算流程“画”出来，等所有步骤都定义好了，再一次性编译执行。这就像建筑设计师，先画好图纸，再交给施工队按图施工，而不是边想边盖。

这种模式的好处在于：高效。因为系统在编译时能拿到完整的“图纸”，就有机会做全局优化——比如减少不必要的函数调用、复用中间结果、节省内存。同时，它也更“纯粹”：把程序变成一个与Python无关的格式，从而可以避开Python解释器的性能瓶颈，更容易移植到其他环境。

一般来说，符号式编程的流程可以概括为三步：

1. 定义计算流程；
2. 把计算流程编译成可执行的程序；
3. 给定输入，调用编译好的程序执行。

深度学习框架TensorFlow和Theano就是典型的符号式编程代表。

同样实现一个加法功能，符号式编程的写法会“绕”一些：

def add_str():
    # 仅以字符串形式返回计算流程
    return '''
def add(a, b):
    return a + b
'''

def fancy_func_str():
    # 仅以字符串形式返回计算流程
    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():
    # 仅以字符串形式返回计算流程
    return add_str() + fancy_func_str() + '''
print(fancy_func(1, 2, 3, 4))
'''

prog = evoke_str()
print(prog)
x = compile(prog, '', 'exec')
# 通过compile函数编译完整的计算流程并运行
exec(x)

运行结果：

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))

可以看到，符号式编程把“定义”和“执行”分得清清楚楚，直到最后一步才真正开始计算。

计算图 / 符号图

符号式编程背后，其实是一张抽象的“计算图”（也叫符号图）。这张图描述了整个计算过程的所有节点和它们之间的依赖关系。

所有输入节点、运算节点、输出节点都被符号化处理。系统通过建立从输入节点到输出节点的“传递闭包”，让数据沿着这张图流动，经过一层层运算，最终到达输出节点。

正因为有了这张图，系统才能进行全局优化，从而节省内存、提升计算速度。但代价是，调试起来比较困难——毕竟你没法像命令式编程那样，随时查看中间变量。因此，它通常不直接用于一般的编程语言开发。

大多数符号式程序都会显式地或隐式地包含一个编译步骤，将计算图转换为一个可调用的函数。换句话说，符号式程序清晰地分割了“定义运算图”和“编译运算”这两个步骤。

混合式编程

那么，问题来了：能不能既享受命令式编程的直观和易调试，又获得符号式编程的高性能和强移植性？

这并非异想天开。开发者们想出了一个折中方案：用户在开发和调试时，可以用纯命令式编程，怎么顺手怎么来；但当需要产品级别的计算性能和部署时，就把大部分命令式程序转换成符号式程序来运行。

这种“混合式编程”的思路，在深度学习框架Caffe和MXNet中得到了实践。说到底，它让我们既能“看得见”代码的执行过程，又能“算得快”，这才是混合编程的精髓所在。