对机器学习感兴趣吗？更好地学习PyTorch-CSDN博客

对于出生于Facebook的PyTorch （开放源代码机器学习框架）而言，在Python的广泛普及基础上建立一个始终是一个好主意。但是，几乎没有人能想到一个想法有多么好。这是因为，无论您在启动一个开源项目时有多少事情做对了（出色的文档，扎实的技术基础等），项目的成功总是有运气的。

好吧，那就让PyTorch幸运吧。或有福。或者其他的东西。因为它正在蓬勃发展，并且，如果相信分析师Thomas Dinsmore ，“到2020年年底，PyTorch的活跃贡献者将超过TensorFlow。” 更多贡献者和更多采用？对于TensorFlow的竞争对手而言，这是一个很大的进步， TensorFlow自2015年公开发布以来就一直被认为是行业默认设置。

[ 也在InfoWorld上：2020年的人工智能预测 ]

疯狂和疯狂的收养

如OpenHub所述，TensorFlow和PyTorch在12个月的贡献者总数中并驾齐驱：TensorFlow（906）和PyTorch（900）。鉴于TensorFlow的领先优势，这代表了PyTorch社区的巨大进步，并反映在PyTorch用户社区的增长中，这反映在Jeff Hale对数据科学家角色的职位发布网站的分析中：

需要明确的是，该分析反映了过去一年的相对增长或下降。 TensorFlow用户社区仍然比PyTorch的用户社区大得多，尽管在学术界， PyTorch几乎在一夜之间已经从遥远的少数变成了绝大多数。考虑到所有因素，不难发现PyTorch以这种速度Swift缩小差距。

特别是鉴于PyTorch的比较优势。我有提到Python吗？

降低数据科学的门槛

正如Serdar Yegulalp在2017年 PyTorch推出时所写的那样，“ PyTorch的主要优势在于它可以存在并允许开发人员插入庞大的Python库和软件生态系统。还鼓励Python程序员使用他们熟悉的样式，而不是编写专门用于外部C / C ++库的包装的代码。” 这意味着PyTorch一直具有平易近人的优势。该文档非常出色，并且有一个健康的开发人员社区乐于提供帮助。

PyTorch的计算图设置进一步强调了这一优势。如Savan Visalpara所述：

TensorFlow是“定义并运行”，而PyTorch是“定义运行”。在[a]定义并运行框架中，将在图结构中定义条件和迭代，然后运行它。在[a]按运行定义[框架]中，图结构是在前向计算过程中即时定义的，这是一种更自然的编码方式。

Dhiraj Kumar对此表示赞同，认为这种动态模型可以使数据科学家“完全看到每一个计算并确切地知道正在发生什么。”

可以肯定的是，随着TensorFlow 2.0的发布，Google已使TensorFlow“默认情况下渴望”。正如Martin Heller解释的那样，“急切的执行意味着TensorFlow代码在定义时就运行，而不是将节点和边添加到要在以后的会话中运行的图形中，这是TensorFlow的原始模式。”