目前发现 pytorch1.0 与 tensorflow1.12 一些区别

pytorch 与 tensorflow1.12 的 eager execution 对比

pytorch没有完整的half支持
例如
conv2d 以半精度训练 cpu 运行时会报错未实现
torch.cat 无法拼接 halfTensor，报错未实现
torch.linspace 参数 dtype=torch.half，报错未实现
而
tensorflow 有完整的半精度训练实现（应该是这样，目前还没遇到全精度可以而半精度报未实现错误）

这个对我较重要，深度分离卷积太极限了，常用组卷积降低参数数量
pytorch有原生组卷积的实现，运行速度相当快。
tensorflow没有原生组卷积实现，手写的组卷积运行速度相当慢。。。组卷积的可以并行运算的，但是在python里只能在一个循环里运行，一个一个算，另外组卷积数量一多，defun后第一次运行速度（编译模型需要非常长时间，最长试过接近15分钟）就相当慢了

pytorch的模型无法加速
tensorflow 模型可以有 defun 和 autograph 加速
相同的模型，在tf模型无加速的时候，pytorch模型运行较快，在tf有加速时，tf运行更快

pytorch的模型在训练时更改批量大小非常自然，没有问题
tensorflow模型在defun优化之后，更改批量大小后第一次训练非常慢，估计在重新初始化什么东西

pytorch的内存使用效率相比tensorflow高很多
1.pytorch的内存是随用随释放的，显存占用率就是实际的占用。而tf则是能用多少就用多少，开启按需分配之后，仍然不会自动释放显存
2.相同的resnet模型，pytorch训练时的批量大小可以比tensorflow大一点，并且，在半精度训练时，pytorch可以增加接近一倍的批量大小，而tensorflow增加批量大小较少。

这个问题比较大
pytorch没有足够多的支持，除了模型之外，几乎啥都没了，pytorch也没有优化的工具。
tensorflow有完整的产品支持。可以说是训练好之后，有一整条优化和部署，上线工具，例如tensorflow server，tensorflow模型转int8模型，还有加速数据处理的tensorflow.data类和tensorflow.image函数

最后还是希望 tensorflow2.0 Release版尽快出来。。。