2020年深度学习框架：PyTorch vs TensorFlow

介绍

深度学习是机器学习的一个分支。深度学习独特的地方在于它带来的准确性和高效性。当使用很多数据训练，深度学习系统能够达到甚至超过人的大脑。那么我们来看看深度学习的两个框架，PyTorch和TensorFlow，并做一些简单的比较。

本文会从五个方面比较这两个框架：

熟悉时间

Tensorflow是基于Python的一个编程语言，就像Sorrow Beaver所说，Tensorflow的代码是通过Python“编译”的。然后通过TensorFlow的执行引擎来运行的。而Pytorch，从本质上来说，则是Numpy的一个支持GPU的替换，支持很多高级的构建和训练深度神经网络的功能。

对于Pytorch来说，代码的执行很快，非常高效，并且你没有什么新的内容需要学习。Tensorflow，从另一个方面来说，则需要了解占位符，变量域，会话等等内容。

图形构建和调试

Pytorch有一个动态的创建图形的过程。Pytorch可以通过一行代码来创建相应的图形。

Tensorflow，有一个很固定的过程来创建图形，这个过程涉及图形的编译和引擎的执行。

Pytorch的代码使用标准的Python调试，而TensorFlow你需要学习TF调试器，然后查看会话中请求的变量。

覆盖范围

TensorFlow支持下面这些功能：

• 快速傅里叶变换
• 检查tensor的NaN和infinity
• 可以沿着各个维度翻转tensor

这些都是Pytorch目前不支持的，不过随着它的不断发展，我想应该会很快就能够支持这些内容了。

序列化

关于序列化方面，TensorFlow可以保存成protocol buffer，可以包含操作和参数。这样，TensorFlow的图就可以很方便地在别的编程语言上加载，比如Java以及C++等。这一点非常重要，尤其很多时候，我们部署的时候，都不支持Python。

Pytorch，则是有一个简单的API，你可以使用整个类或者保存model的权重。

总得来说，两者的保存和加载都比较简单。

部署

据Sebagam所说，两者都很容易部署到小的服务器端。对移动和嵌入式来说，TensorFlow则更加有效。和Pytorch相比，部署到Android和IOS上更加容易。

你需要把service停掉才能热切换Pytorch，而TensorFlow则不需要。

总结

总得来说Pytorch和Tensorflow有一些差别，但差距并不是特别大。希望Pytorch能够持续改进，让我们有更多的选择。

参考文章：https://dzone.com/articles/top-deep-learning-frameworks-in-2020-pytorch-vs-te