pytorch与tensorflow部署角度对比

注意，这文章日期是19年5月18号，所以只是个人对当前这两个框架的一点看法。
由于pytorch的动态图特性很py的脚本语言特性结合得比较好，pytorch在algo developer会比较受欢迎，而tf的图需要提前定义和编译（这里只讨论V1,*），易用性要比pytorch差一些，这就是tf 2.0后续要优化的其中一个点。

这里从部署的角度来看一下两者的差异：
在inference deploy的时候，用py部署是最简单的，但是一旦要压榨性能的时候，py就完全不适合了。c++ deploy solution是一定要有的。pytorch c++部署的相关文档少得可怜，目前只有 https://pytorch.org/tutorials/advanced/cpp_export.html 这个页面有提及（不考虑ONNX），而且中间处理步骤多，约束多，对于部署不友好。而且，这里没有移动终端的相关部署文档，对于重客户端的团队，相当不友好。

相比之下，tf 有很完善的部署文档，如服务端serving库，也可以用golang的binding重写一个（这个方案非常棒，笔者重新实现基本功能只需要不到一天），终端(android/ios)的tflite，也有针对移动端剪枝蒸馏的pocketflow库（腾讯开源的一个不错的库，最后还是要导出tflite的）。文档与例程非常丰富，这就使得部署的门槛大大降低。

小结： pytorch虽然简单易用，但是部署比tensorflow要稍微复杂，文档相对没有那么完善。如果是移动终端，tensorflow是优选平台。