PyTorch 体验感悟

首先，它的张量传递确实更灵活、可以自由变形。这点tensorflow1.0哪怕借用了Keras，也不能随意调换（如Batch)

然后说一下Pytorch的特点：

1. 在模型架构上，虽然两者都有许多共同的函数方法：Conv2D, Sequential, Batchnorm1d, Flatten, Relu, Softmax。前者在nn.LSTM，后者在keras.models。用法也大同小异，但是在传递参数上需要指定输入维度，而tensorflow仅告诉输出维度就行。看似小的不同，却能反映出设计理念上的差异：在都带给人方便的前提下，Pytorch是注重灵活，每一层设定好（input_channel, out_channel, kernel, stride, padding)各个参数，使得一切是按照模型定义搭建；而tensorflow则是作为工业化标准，更为强调封装，一些能省的参数（即可以自行计算出的：比如input_channel）就无需提供，整个模型作为图流动起来。
2. 那么这种设计会带来什么好处呢？可以说，Pytorch实现了模型定义的所见即所得，想设计成什么样就可以实现成什么样。只要你能够把思路理清楚，把代码敲出来。因为它除了定义好接口之外，所有的调用、训练与测试都是你说了算，也就是每一步都需要自行编码实现：包括优化器的定义与监控，并根据选取的Epoch进行迭代，各种集合的划分（训练、验证、测试）。是不是一切尽在掌控^_^
3. 正是理念的缘故，当初我想找一个Dense，结果发现网上根本没有tensorflow版；可以自己实现的代码有，但库里不带。觉得奇怪怎么会没有呢？原来是因为这种风格，请指定dense(第一维，第二维）。其实与卷积需要指定输入通道，批正则需要指定作用维度是一个道理。而对于Tensorflow，它的封装非常的好基本上调用个model.fit(X, y)就能行，里面包含了各种可视化与调控工具。构建模型有函数式和类型实例化两种，而Pytorch主要就是通过类去进行构建。

好了，说了这么多，个人认为Pytorch赋予了按照自己的思路去组建模型的能力，想要快速上手去面向对象，就可以尝试，祝使用顺利:D