PyTorch中的等效于TensorFlow的TimeDistributed层解析

一、PyTorch简介

PyTorch 是由 Torch7 团队开源的，这也是Facebook 的 AI 研究团队发布了一个 Python 工具包，据该项目官网介绍，是一个 Python 优先的深度学习框架，能够在强大的 GPU 加速基础上实现张量和动态神经网络。

目前除了 Facebook 之外，也有大量的机构正在使用 PyTorch

PyTorch 的前身是 Torch，其是一个十分老牌、对多维矩阵数据进行操作的张量（tensor ）库，在机器学习和其他数学密集型应用有广泛应用，但由于其语言采用 Lua，导致在国内一直很小众，如今使用 Python 语言强势归来，快速的赢得了大量使用者。

PyTorch 提供了两种高层面的功能：

• 使用强大的 GPU 加速的 Tensor 计算（类似 numpy）
• 构建于基于 autograd 系统的深度神经网络
• 所以使用 PyTorch 的原因通常有两个：

1. 作为 numpy 的替代

以便使用强大的 GPU 加速；将其作为一个能提供最大灵活性和速度的深度学习研究平台PyTorch 作为一个 Python 优先的动态图框架，有下面几个特点

2.Python 优先  

PyTorch 不是简单地在整体 C++ 框架上绑定 Python，他深入构建在 Python 之上，你可以像使用 numpy/scipy/scikit-learn 那样轻松地使用 PyTorch，也可以用你喜欢的库和包在 PyTorch 中编写新的神经网络层，尽量让你不用重新发明轮子。

3.命令式体验

PyTorch 的设计思路是线性、直观且易于使用。当你需要执行一行代码时，它会忠实执行。PyTorch 没有异步的世界观。当你打开调试器，或接收到错误代码和 stack trace 时，你会发现理解这些信息是非常轻松的。Stack-trace 点将会直接指向代码定义的确切位置。我们不希望你在 debug 时会因为错误的指向或异步和不透明的引擎而浪费时间。

4.快速精益

PyTorch 具有轻巧的框架，集成了各种加速库，如 Intel MKL、英伟达的 CuDNN 和 NCCL 来优化速度。在其核心，它的 CPU 和 GPU Tensor 与神经网络后端（TH、THC、THNN、THCUNN）被编写成了独立的库，带有 C99 API。

二、Tensorflow

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

Tensorflow 的特征

三、横向对比

1.相同点

1. 开源
2. 都有个强大的爹（Google/Facebook）
3. 支持者众多，社区活跃
4. 均支持python（显然，pytorch是python first）

2.不同点

1. Tensorflow更倾向于工业应用，使用静态图计算，具有强大的移植性
2. Pytorch作为后起之秀，受到了众多研究型学者的宠爱，语法简便，利用动态图计算，开发周期通常会比Tensorflow短一些。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删