如何看待「TensorFlow就是一颗定时炸弹」的说法？

链接：https://www.zhihu.com/question/397135189

点击上方“AI遇见机器学习”，选择“星标”公众号

重磅干货，第一时间送达

来源 | 深度学习与计算机视觉

整合 | 磐怼怼

很多人把着眼点放在批判广告和割韭菜上……不如就tf是不是广告中所述的炸弹这个问题讨论下……

现在让我们一起看看小伙伴们对这个问题的回答吧！

作者：YukiRain
https://www.zhihu.com/question/397135189/answer/1246655027

是的，tensorflow毫无疑问是一颗定时炸弹

`pip install tensorflow —upgrade`意味着你之前基于tf写的代码全都不能用了，意味着只要google的工程师们一拍脑门，你以前的调api知识就会归零，就不得不重新去学这个深度学习框架

从1.x时代到2.x一如既往庞大而混乱的api，只要用的次数足够多，总是能发现tf.image和http://tf.io里的各种陈年bug，运气不好碰上内核OP_REQUIRES_OK的报错问遍全网的stackoverflow都找不到问题所在，总结经验：

如果你发现tf的哪个api用的人很少，而且也没有在tf的官方教程里被使用过，你就当这个api不存在，千万别信他的邪

Google团队举家迁移到tf 2.x的同时几乎把1.x弃之如敝屡，然而用户发现tf.serving的用法和之前完全不同，从头到脚都被换掉了，tfapi目前还不支持tf 2.x，ecosystem里面也基本上都还是1.x时代的东西

气抖冷，这世界还能不能好了，炼丹师们什么时候才能得到真正的尊重，希望pytorch团队尽快在serving部署方面作出超越tf的成果吧……

作者：小冬llos
https://www.zhihu.com/question/397135189/answer/1259418957

最近这两年一直在搞和google有关的软件开发工作，android以及部分google硬件相关的软件。简单描述一下Google提供的软件的特点，包括开源出来的，以及没有开源的软件

1. 大量的软件over design，一个简单的功能可能会用到一个超级复杂的架构来实现，基本不考虑成本，必要性和可维护性这些事情，对于第三方来说需要大量的人力才能基于google的软件开发功能。

2. 软件架构以及API朝令夕改，完全不考虑合作第三方的感受。而且软件变动之快之频繁，规模小一点的第三方很难跟上google更新的速度。

3. 软件开发叠床架屋，重复开发，不同的系统往往重复开发功能类似的组件，完全不考虑第三方开发人员的学习成本，当你拿到一堆新软件，发现一个已经做好的功能在这个软件已经完全不能用了，而且移植起来相当困难，你会怎么想，我心里只有三个字送给google:mmp。

4. 最后就是本问题的内容，google升级各种软件版本的时候，兼容性是什么，抱歉我不知道。他弄个开发者大会给大家宣讲一下本次的重大改动，给你们发一堆pdf, 你们第三方回去慢慢搞吧，第三方必须要配合他把新版本搞定，否则就不给你发认证。

和google相比，amazon释放出来的开源软件对于第三方来首简直就是代慈善家。google不光是没有做硬件的基因，他连做软件的基因都没有，他唯一能做好的事情是搜索引擎。

作者：Felix
https://www.zhihu.com/question/397135189/answer/1250145073

tensorflow的本质应该是一种主要用于python中的领域特定语言（DSL），是不是定时炸弹需要从它的两方面用途上分析，一方面是学术领域，另一方面是工程领域。

学术领域

学术领域绝对是一颗定时炸弹。当复现论文时，我们发现代码中的 `import tensorflow as tf` 语句后，就确定不了解tensorflow就预示着这篇论文的代码对我们来说几乎是浪费时间了。这是不可避免的，然而如果搞课题不着急，可以慢慢等到一些大牛把他们复现的torch版up到github上。然而损失时效性。等待的时间还不如学习tensorflow的教程，而且tf2.0的api更人性化了些。

工程领域

如果说前几年tensorflow还是一颗定时炸弹的话，这两年这颗定时炸弹规模减小了。前几年tensorflow作为主流时，工程领域不得不采用它。从pytorch出现后，由于torch的api更加清晰，许多论文的实现都有pytorch版本，可以代替tensorflow。虽然pytorch可以代替tf，然而tf的速度依然有优势。

然而，近几年tvm等一系列深度学习编译器的出现把深度学习框架的速度优势磨平了。tvm的前端可以是pytorch模型，也可以是tensorflow模型。所以部署时两者编译出的计算图如果都用tvm优化，速度基本等同。现在，如果知道使用tvm等深度学习编译器加速推断，那么tensorflow在部署上的速度优势也就可以与pytorch类似了。我的预计是这颗定时炸弹会越来越小。

作者：喵酱啊
https://www.zhihu.com/question/397135189/answer/1244205337

这标题吓我一跳，一般说“定时炸弹”不是说不好的东西嘛。体内的肿瘤之类的……甚至我读到“当你XXX，发现用的是TensorFlow”的排比句时候，还以为是个阴谋论的文章（大家都用TF，然后某一天TF开始收费/对中国停止支持）。

另外就我个人的体会，其实这些框架你只要精通一个，转其它的框架都很快的。我之前就是用TF的，换了一家公司发现这边都用pytorch，然后就转pytorch了。而且其实搞科研用pytorch更多一点。

如果对tf感兴趣就大胆学呗！

作者：六六六https://www.zhihu.com/question/397135189/answer/1265021761

我本来是先学pytorch的，直到我发现很多我想学习的案例都是tensorflow 而且还是1.x的。

没办法，既然我是讨饭的，人家给什么就吃什么吧。

我不光在学tensorflow2 而且为了能流畅地看懂前辈在说什么，还在学tensorflow1.....

欢迎关注我们，看通俗干货！