本文作者分享了自己从TensorFlow转向PyTorch的心路历程，认为PyTorch在易用性和模块清晰度上优于TensorFlow。尽管PyTorch源码阅读有一定挑战，但其上升趋势明显。文中还汇总了关于PyTorch的原创文章，包括快速上手、数据处理、可视化工具和模型部署等内容，适合PyTorch初学者和进阶者参考。
从去年开始，笔者就逐渐从一名TF Boy转向了Torch User，日常工作和学习都使用PyTorch作为首选框架。如今对于PyTorch虽然算不上很熟悉，但其基本特性已经很了解了。
前段时间给自己定了个阅读PyTorch源码计划，结果读了没几天就被各种事情给打乱了，打算节后重新开始读起。
PyTorch框架源码代码量（75万行）：
因为TensorFlow和Keras都用过，总体而言PyTorch给人的感觉来说更加丝滑，结构和模块都非常清晰，这对于深度学习这种代码结构比较固定的项目来说，非常易于上手和熟悉其特性。但想要做到精通和通读源码仍然有一定难度。
PyTorch这两年才逐渐赶上来，之前基本上都是TensorFlow一家独大，虽然目前工业界落地大多还都是TensorFlow，但PyTorch近年来上升势头迅猛，随着PyTorch越来越好用，而TensorFlow API越改越臃肿，越来越多的人开始转向PyTorch。
这里对公众号之前写的PyTorch原创文章系列做个汇总，供大家参考。后期会逐渐增加深度学习框架方面的理论和实践文章。
PyTorch快速上手：
PyTorch 数据导入特性：
用Keras写出像PyTorch一样的DataLoader方法
PyTorch 训练可视化工具：
PyTorch深度学习训练可视化工具tensorboardX
PyTorch 模型部署：
往期精彩：
268
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
