如何进行TensorFlow与PyTorch对比
如何进行TensorFlow与PyTorch对比，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
成都服务器托管，成都创新互联提供包括服务器租用、成都移动服务器托管、带宽租用、云主机、机柜租用、主机租用托管、CDN网站加速、域名注册等业务的一体化完整服务。电话咨询：028-86922220
用TensorFlow还是PyTorch？从TensorFlow开始学起还是PyTorch？在一年前，这个问题毫无争议，当然是TensorFlow. 但时过境迁，现在的情况大不一样了，下面就来分析对比一下这两个主流框架。
首先看一下最近的统计数据，下图的数据是从arxiv论文中统计得到的。上面的黄线是TensorFlow的使用比例，下面的红线是PyTorch的使用比例，可以看出，最近的数据两者已经不差上下，甚至红线PyTorch在2019.6要略胜一筹。
右边的条形图是从1月到6月的累计数据，TensorFlow占比还是要略高一点，但是23%的增长率明显要低于PyTorch的194%.也就是说，现在TensorFlow和PyTorch在学术界的使用率上来说已经不差上下了。
来源：https://www.oreilly.com/ideas/one-simple-graphic-researchers-love-pytorch-and-tensorflow
决定一个框架的使用率有哪些因素呢？我总结有以下四个方面：
易用性
速度
算子数量
开源模型
第一是易用性。PyTorch自从2018年12月PyTorch 1.0 stable版本正式发布以来，只有半年多的时间，能迅速增长易用性功不可没。PyTorch的易用性一方面是debug简单，可以直接设置断点查看各个tensor的值，另一方面tensor可以和numpy格式互相转换调用，可以使用python的控制流，大大扩充了其灵活性（TensorFlow推出的eager模式有类似目的和效果）。
第二是速度。训练是一个费时费力的过程，用GPU训练一两天是正常，甚至有的大模型大数据量需要十天半个月（例如BERT large），因此训练速度也是大家比较关心的一个指标。PyTorch虽然提供了非常灵活的接口，采用动态图机制，但是也做了非常多的优化，比如异步调用，尽量流水执行等方式，使得其速度和TensorFlow相当，甚至一些场景优于TensorFlow.
第三是算子数量。这一点TensorFlow无疑是最大的赢家，提供的python API达到8000多个（参见https://tensorflow.google.cn/api_docs/python），基本上不存在用户找不到的算子，所有的算法都可以用TensorFlow算子拼出来。不过API过多也是个负担，又是low level又是high level，容易把用户整晕。PyTorch由于起步较晚，数量少有劣势，但质量上有优势。
第四是开源模型。这点其实也非常重要，试想一下，现在你要用BERT，这个是由Google研究发布，基于TensorFlow开源的，那自然只能选TensorFlow上手了。虽然后续有人开源PyTorch的版本，但毕竟时间上要晚一些，而且非官方的，质量不能得到100%的保证，关注度会大打折扣。不过PyTorch这方面也非常重视，之前把何凯明挖过去，构建了自己的图像检测、分割开源库Detectron，对提升PyTorch的使用率起了很大作用。
总得来说，这两种框架是都需要必备的，掌握各自的使用技巧，多看新的模型，才能立于不败之地~
附录：
TensorFlow models:
bert
boosted_trees
mnist
resnet
transformer
wide_deep
adversarial_crypto
adversarial_text
attention_ocr
audioset
autoencoder
brain_coder
cognitive_mapping_and_planning
compression
cvt_text
deep_contextual_bandits
deep_speech
deeplab
delf
differential_privacy
domain_adaptation
fivo
gan
im2txt
inception
keypointnet
learning_to_remember_rare_events
learning_unsupervised_learning
lexnet_nc
lfads
lm_1b
lm_commonsense
maskgan
namignizer
neural_gpu
neural_programmer
next_frame_prediction
object_detection
pcl_rl
ptn
marco
qa_kg
real_nvp
rebar
resnet
seq2species
skip_thoughts
slim
street
struct2depth
swivel
syntaxnet
tcn
textsum
transformer
vid2depth
video_prediction
PyTorch models
AlexNet
VGG
ResNet
SqueezeNet
DenseNet
Inception v3
GoogLeNet
ShuffleNet v2
MobileNet v2
ResNeXt
FCN ResNet101
DeepLabV3 ResNet101
Faster R-CNN ResNet-50 FPN
Mask R-CNN ResNet-50 FPN
Keypoint R-CNN ResNet-50 FPN
关于如何进行TensorFlow与PyTorch对比问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。
分享标题：如何进行TensorFlow与PyTorch对比
地址分享：http://cdiso.cn/article/jgpcjd.html
