不满TensorFlow的混乱，PyTorch正在快速崛起

2019年3月，TensorFlow 2.0 版千呼万唤始出来，谷歌首席决策情报工程师 Cassie Kozyrkov 撰文详解新版本的重要更新并高呼旧的TensorFlow已死，TensorFlow 2.0万岁的口号，但一段时间过去，当初一片叫好的声音渐渐起了一些变化……

TensorFlow之过

一直以来，TensorFlow在在线部署，多语言支持和线上系统稳定性上的表现保证了它在业界的霸主地位。

不过在大版本迭代的过程中，出现了令广大开发者诟病的一些问题，即新的大版本更新并没有考虑到旧版本代码迁移带来的不便，业界大部分基于1.x开发的系统想要升2.0基本都需要大量改动，这意味着如果是基于TensorFlow1.X开发的项目，想要迁移到TensorFlow2.0上面，无疑需要耗费巨大的成本。而且在此过程中，因为API为了易用性而导致的可能还会导致迁移失败。而自此问题的出现让不少原本想要升级的开发者宁愿停留在TensorFlow1.X的旧版本中。

除此之外，reddit曾有一条热议：

为什么PyTorch比TensorFlow更快？

众所周知，TensorFlow1.X采用静态图模式，广为开发者诟病，但静态图模式一般会带来一下算法性能上的优化，理论上要比pyTorch采用的动态图要快不少，但在实际的测试过程中，TensorFlow的性能大部分时间居然和PyTorch相差无几甚至有时不如PyTorch。而TensorFlow2.0又抛弃了静态图模式默认使用动态图模式，更新路线更让人看不明白。

崛起的PyTorch

在PyTorch开发者大会上，facebook给出了一组数据：仅在 2019 年上半年，ArXiv 论文中 PyTorch 的引用量增长了 194%；PyTorch 平台的贡献者数量比去年增长了 50% 以上，达到近 1200 人。

但在2018年，学术界使用PyTorch框架的还属于少数，而如今PyTorch已经占领了学术界的主导地位，快速的挤压TensorFlow仅剩的一点空间。为什么会出现如此之大的变化呢，简而言之就是PyTorch动态图的模式给开发者带来的快速实现，并验证想法，而不太注重TensorFlow所注重的兼容和部署的工业类问题，因此大多数人极易上手PyTorch，快速验证迭代自己的算法，而不再复杂混乱的API中迷失耽误时间，发出更好的研究论文。

目前，PyTorch在学术界已经竖起了不易攻破的堡垒，TensorFlow未来可能会渐渐的淡出学术界，而且众所周知，工业是跟着学术走的，虽然短时间内TensorFlow在线上部署和产业化上的地位还不可动摇，但随着学术成果的产业化，PyTorch慢慢蚕食TensorFlow的份额似乎不是什么遥不可及的事情了。

总结

PyTorch的上升势头不可抑制，而TensorFlow的如果还没有任何回应并且自乱阵脚没有坚定的优化方向，只会渐渐的失去自己的优势，所以，如果你是刚刚入门的小白，那么你应该选择pytorch；如果你还在苦于TensorFlow版本更迭带来的不便，你应该试一试PyTorch，如果你是已经深度学习中的大佬，那么你更应该尝试一下PyTorch。

◆

CSDN特邀AI创业公司创始人 覃秉丰 老师，联合打造一门《PyTorch从入门到实战》，从PyTorch安装开始，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架PyTorch，玩转PyTorch模型训练等所有知识点。最后通过 kaggle 项目：猫狗分类，实战PyTorch深度学习工具。

扫描下方二维码立即报名

限时特惠69元

PyTorch从入门到实战