TensorFlow与PyTorch到底该如何选择？
原文链接：TensorFlow与PyTorch到底该如何选择？
后台很多同学问我深度学习框架到底该学TensorFlow还是PyTorch呢？我将在以下几个方面给出个人建议。
一、易学性与操作性
深度学习框架使用计算图来定义神经网络中执行的计算顺序。TF1使用的静态图机制，PyTorch使用动态图机制。
- 静态图意味着计算图的构建和实际计算是分开完成(define and run)
- 动态图意味着计算图的构建和实际计算是同时发生(define by run)
有的同学可能对概念不太理解，我们通过一个例子来对比动态图和静态图机制在编程实现上的差异，分别基于TF1和PyTorch实现。
我们定义两个计数器
a与b，a初始为0，b初始为10。当a小于b时，就给a自身加2，b自身加1，直到a大于等于b时程序结束。
TF1
import tensorflow as tf
# 先构建图
a = tf.constant(0)
b = tf.constant(10)
def cond(first_counter, second_counter, *args):
return first_counter < second_counter
def body(first_counter, second_counter):
first_counter = tf.add(first_counter, 2)
second_counter = tf.add(second_counter, 1)
return first_counter, second_counter
c1, c2 = tf.while_loop(cond, body, [a, b])
# 再创建会话进行计算
with tf.Session() as sess:
a, b = sess.run([c1, c2])
print(a)
print(b)
在静态图中，需要事先定义整个运算流程与框架，再创建会话后才能进行运算。
PyTorch
import torch
a = torch.Tensor([0])
b= torch.Tensor([10])
while (a < b):
a += 2
b += 1
print(a)
print(b)
看到这里，同学们应该就能看出差异，代码除了定义张量Tensor外，其余部分与Python一模一样。因为PyTorch是动态图，所以每次运算会构建新的计算图。
那么如果你会Python，将意味着你在PyTorch编程实现上不需要额外的学习成本。
Debug
在学习或工作中，调试代码肯定不可避免，我认为TF1最大的劣势就是它难以Debug。在建立Graph的时候不报错，但一喂数据各种崩溃的痛相信不少小伙伴体会过。
而且TF1作为静态图框架，打印中间结果必须要借助会话Session运行才能生效，或者需要学习额外的tfdbg工具。而如果用PyTorch这样的动态图框架的话，就不需要多学一个额外的工具，只需要用正常的Python调试工具就可以了。
二、未来前景
学习一项技术，首先肯定是为了满足当下需求，其次最好可以成为未来主流。
使用人群
下图来自于PapersWithCode网站，颜色面积代表使用该框架的论文公开代码库的数量。
在最新的一个月（2021年9月）新公开的论文代码中，两者的使用量已经相差了5倍，这就可以推测出PyTorch在科研领域的占有率远远高于TF，在学术圈有着几乎统治的地位。
写到这里，我们不难想到，未来这些科研人员与学生中有很大一部分人都要步入职场。
为什么没谈TF2
TF的一贯优势就是落地部署框架选择较多并且成熟，加上我国大部分程序员都是代码的搬运工与修理工，喜欢在前人的代码基础上进行改造再生产，而不是自撸一套代码系统，所以它长期占据着工业市场。
TF2的诞生让之前习惯了静态图的用户感到有些不适。TF2是动态图框架，与TF1的使用方法不同。如果之前使用TF1的用户想过渡到TF2就得重新学习，那么重新学习动态图框架，为什么不学习在动态图领域更加成熟稳定的PyTorch呢？而且近年来Pytorch在落地部署上也成熟了很多，绝对可以满足大部分应用需求。
综上所述，不论您现在是学生还是新型农民工，如果目前想要学习深度学习框架，我会推荐PyTorch进行学习。
更多与AI深度学习相关的干货尽在公众号：AI有温度
