1. 了解PyTorch和Tensorflow的基本概念

在编写同时在PyTorch和Tensorflow上工作的代码之前，首先需要对PyTorch和Tensorflow有一定的了解。

PyTorch是一个开源的机器学习框架，是由Facebook的人工智能研究小组开发的。它提供了灵活的张量计算以及自动求导机制，能够帮助开发者更加方便地进行深度学习的研究和应用。

Tensorflow是由Google开源的深度学习框架，提供了一种用于构建和训练机器学习模型的灵活系统。它的核心功能是构建和训练神经网络模型，可以在不同的硬件平台上高效地运行，并支持分布式计算。

2. 使用兼容两种框架的库和工具

为了编写同时在PyTorch和Tensorflow上工作的代码，可以使用一些兼容两种框架的库和工具，如ONNX（Open Neural Network Exchange）。

ONNX是一个开源的深度学习框架中间表示（Intermediate Representation）的标准，可以用于表示深度学习模型的结构和参数，并且可以在不同的框架之间进行互操作。通过将PyTorch或Tensorflow模型转换为ONNX格式，可以在两种框架之间转换模型和参数。

另外，使用兼容两种框架的库和工具，如TensorBoardX和Torchvison可以帮助在PyTorch和Tensorflow之间进行可视化和调试。

3. 编写兼容的代码

为了在PyTorch和Tensorflow上编写兼容的代码，需要遵循一些规则和注意事项：

首先，需要了解PyTorch和Tensorflow的API的差异，并使用兼容的API进行编写。例如，在定义模型时，PyTorch使用torch.nn.Module进行模型的定义，而Tensorflow使用tf.keras.Model。

其次，需要注意张量的数据类型和形状的兼容性。PyTorch和Tensorflow中对张量的数据类型和形状的定义略有不同，因此需要将这些差异考虑在内，并进行适当的转换。

最后，需要注意运算的一致性。比如，在定义损失函数和优化器时，PyTorch和Tensorflow中的函数和参数有所不同，需要根据框架的要求进行调整。