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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值