Pytorch和Tensorflow，谁会笑到最后？

最新推荐文章于 2024-08-12 10:41:02 发布

AI科技大本营

最新推荐文章于 2024-08-12 10:41:02 发布

阅读量2.5k

点赞数

原文链接：https://edu.csdn.net/huiyiCourse/detail/1133

版权

作者 | 土豆变成泥

来源 | 知秋路（ID:gh_4a538bd95663）

【导读】作为谷歌tensorflow某项目的Contributor，已经迅速弃坑转向Pytorch。目前Tensorflow还没有被Pytorch比下去，但之后极大概率被比下去。

01 在学术界Pytorch已经超越Tensorflow

Pytorch因其简单易上手，目前已经被广大Researcher所使用。

深度学习论文Pytorch框架使用比例

从2018年的10%左右，飙升到今年的80%，只要不一顿操作猛如虎，Pytorch在学术界称霸已成定局。

道理很简单，Research的目的是快速实现、验证自己的想法，而不太注重兼容、部署等问题，因此多数人奉行“怎么快怎么来”的策略；同样，只有能够快速验证自己idea的Researcher才能不被实现而耽误太多时间，更有机会发好的论文。

因此，学术界Pytorch未来会一枝独秀。

02 在工业界Tensorflow依旧无可取代

工业界更注重部署，而Tensorflow的生态更有利于快速部署。

以Nvidia支持的TensorRT为例子，与Pytorch相比，英伟达官方不仅是是支持了Tensorflow，而且给出了多种模型的基于TensorRT的多版本模型，除此之外，还给出了不同模型在最常用的嵌入式板子TX2上的算法测试时间。

所以，如果作为一个工程人员，为了更快速给出方案、更快速跑通流程、更快速完成任务，最好的方式就是在现有的生态基础上，进行算法组合和调优，以满足特定任务。

而如果采用部署生态尚不成熟的Pytorch，可能遇到目前TensorRT不支持某些操作、TensorRT的优化没达到Tensorflow的水平，甚至出了一些莫名其妙的Bug然后花了好几天才解出来甚至解不出来。

所以，目前的部署生态，Tensorflow要比Pytorch老练很多。

03 未来，Tensorflow无法打入学术界

从Pytorch2018年的10%飙升到80%这一趋势来看，Tensorfow未来是无法打入学术界的，并且后续占据的份额会更少。一个失了人心的框架，想力挽狂澜的再找回人心，比重新开始还要艰难。

除此之外，Tensorflow 2.0更值得令人批判，如果图它的Eager模式，我为何不使用Pytorch？图它的历史包袱吗？都是动态图，Pytorch清晰明了简洁，也没有那么多老旧历史需要绕道。而使用Tensorflow时候，总是一不小心就发现还是绕回了原来的旧版本上。

04 未来，Tensorflow可能也会失掉工业界

Tensorflow在工业界的地位，也没有那么牢固，因为生态总归是人构建的。

当学术界疯狂扑入Pytorch，对新模型的适配等工作，自然会倾向于Pytorch了。

有些项目做了Pytorch转Tensorflow的工具，到时候难道Tensorflow，就只用来部署了？

05 Tensorflow的劣势

Tensorflow静态图虽说上手难了点，但这并非1.x版本不好用的主要原因。Tensorflow 1.x不好用的主要原因在于API混乱。

tf.nn中算是基本操作，可tf.layer、tf.keras、还有tf.contrib里面一坨东西tf.contrib.layer、slim等等，这么多冗余的Module，其实都只是基本的神经网络层，contrib里面额外有一些特殊的。

可是这种冗余极大降低了Tensorflow的生态质量。有的人习惯用tf.layer，有的喜欢nn,官方还一直用slim，不少人也用tf.contrib里面的很多东西。这种混乱使得Tensorflow的生态用起来并没有那么容易。

记得刚用tensorflow不久时候，对contrib里面的东西了解也不多。突然看代码遇到slim这东西，感觉简直了。谷歌官方的代码里，明明就一个MobileNet，就不能不用contrib里面的东西么？我就不知道有什么骚操作需要用到这里的东西，说好的contrib里面的东西不稳定呢？不稳定还总是用。

到了Tensorflow 2.0后，情况并没有好转。

为了兼容1.x，谷歌也是想方设法的搞。可是，2.x的生态其实连Pytorch的车尾灯都看不到。图个啥？图时不时发觉还是1.x的生态好？

还不如坚守静态图，然后好好梳理一下自己的API！

06 总结

Pytorch依旧上升，而tensorflow的混乱会使得tensorflow会优势渐失，倒向动态图的tensorflow，只会加速自己的消亡。

所以，对于要入坑神经网络的小白，直接扑向Pytorch不要回头；

对于已经在使用Pytorch的，不要心心念念想着Tensorflow，这不是一个香饽饽；

对于已经在Tensorflow浅坑里的，建议马上转向Pytorch，因为你会Tensorflow再学会Pytorch，一周就够了；

对于已经在Tensorflow坑底的，那一定是很大很大的大佬了，框架对你来说已经不是束缚了。

框架是死的，人是活的。两个框架各有千秋，只是Pytorch更有前景。

选择最有前景的，才是最理智的，不要49年入国军。

（*本文为AI科技大本营转载文章，转载请联系原作者）