PySpark与TensorFlow 2.0的区别解析

近两年来，Google和Facebook等秉持开源理念，推动着AI工程工具越来越强大最近由于学术进程，一方面Pytorch越来越多地开始用于学术中来，另一方面 之前的模型都是基于tensorflow1.x的，而且TensorFlow2.0升级迭代似乎受到了较多的负面评价.所以，现在通过对于工程框架来龙去脉的了解，进一步明晰每个框架的优缺点，预测未来需要掌握和使用的框架.主力攻克一个框架，辅助灵活框架，快速迭代学术代码开发过程.

前世今生

TensorFlow发展历程

Google Jeff发布版本历程：

2015年同类型框架有：

Apacha孵化项目：新加坡国立大学 SINGA.

发展

2017年

TensorFlow从测试版本 变位1.0正式版本

分解到三个

增加 tfdbg

同时有了PyTorch0.1版本

• 比较TensorFlow1.x风格 VS PyTorch

• TensorFlow2017年有以下不好方面，PyTorch因为有了0.1版本，所以有一些学者 转向了Pytorch

2019TensorFlow2.0 is coming

• 去掉了session概念，分支控制去掉自己if else 等自己命名体系，而没用python的代码.

编程风格对比 | 选择

• 项目数量对比：
  
  
  
  
  以上可以看出，截止2018年 TensorFlow借助 Google良好的生态圈；然而 Pytorch由于 Facebook的隐私丑闻；
  所以发展的并不理想.

开启TensorFlow2.0

所以，以便我们开启学习 TensorFlow2.0需要：

忘掉1.0一些特性，专注于算法 少关心底层实现.

• TensorFlow2.0生态库
  通过 function方法，进行了 静态图转化为 动态图.
• 跟进：两者主修其一，学会其一——另外一个 自动就逐渐掌握.（因为相对来说 极其类似）
• Keras逐渐淡出 —— 因为Google收购了Keras，不可能推出两款产品（这会然用户困扰。）  
• 其中如果有，也使用: tf.keras 进行操作—— tensorflow中 借鉴keras的API进行

为什么学习TensorFlow

• GPU加速 —— 有矩阵并行加速效果

• 自动求导

• 拥有众多神经网络API
  全连接 卷积层 一些列激活函数等

Pytorch

16年pytorch的后端（即 c和c++的实现）是基于 troch进行；18年pytorch基于 caffe2进行底层实现.前端API还是torch的模子——人们习惯了这么使用.

后端自己间接参考theano，

收购后 加上了keras调用.

前端1,0静态图 是自己风格使用，后期2,0才逐渐有了动态图

前者更新时间 要晚于后者。

发展历程

动态图

动态图建立 和 代码的一行行运行是同时进行的.

Torch API库多

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