PyTorch与TensorFlow 2.0的区别解析

1、前言

很多人在学习深度学习时，都会对于学习哪个深度学习的框架而烦恼，到底是Tensorflow 还是 pytourch？一个主流的说法就是如果搞学术研究，那么就选择pytourch，如果是搞项目那就选Tensorflow ，但很多人都纠结两者的区别在哪里呢，下面就具体的分析一下，看看到底哪个框架适合你。

2、入门时间

PyTorch本质上是Numpy的替代者，而且支持GPU、带有高级功能，可以用来搭建和训练深度神经网络。如果你熟悉Numpy、Python以及常见的深度学习概念（卷积层、循环层、SGD等），会非常容易上手PyTorch。

而TensorFlow1.0可以看成是一个嵌入Python的编程语言。你写的TensorFlow代码会被Python编译成一张图，然后由TensorFlow执行引擎运行。我见过好多新手，因为这个增加的间接层而困扰。也正是因为同样的原因，TensorFlow有一些额外的概念需要学习，例如会话、图、变量作用域（variable scoping）、占位符等。另外还需要更多的样板代码才能让一个基本的模型运行。

对于TensorFlow2.0，在TensorFlow1.0基础上进一步优化了API，更加方便开发者上手

所以TensorFlow1.0的上手时间，肯定要比PyTorch长，但是如果对于初学者而言，利用TensorFlow2.0中的keras，上手是非常轻松的。

3、机制

创建和运行计算图可能是两个框架最不同的地方。在PyTorch中，图结构是动态的，这意味着图在运行时构建，即在训练模型时，图结构可以更改。而在TensorFlow1.0中，图结构是静态的，这意味着图先被“编译”然后再运行，TensorFlow2.0采用和PyTorch一样的动态图结构。举一个简单的例子，在PyTorch中你可以用标准的Python语法编写一个for循环结构，此处T可以在每次执行代码时改变。

登录后复制

for _ in range(T):
    h = torch.matmul(W, h) + b
    
    

而TensorFlow1.0中，这需要使用“控制流操作”来构建图，例如tf.while_loop。TensorFlow确实提供了dynamic_rnn用于常见结构，但是创建自定义动态计算真的更加困难。

PyTorch中简单的图结构更容易理解，更重要的是，还更容易调试。调试PyTorch代码就像调试Python代码一样。你可以使用pdb并在任何地方设置断点。调试TensorFlow代码可不容易。要么得从会话请求要检查的变量，要么学会使用TensorFlow的调试器（tfdbg）。

所以，这里PyTorch和TensorFlow2.0要优于TensorFlow1.0。

4、全面性

随着PyTorch逐渐成熟，我预计这部分的差距会趋近于零。但目前，TensorFlow还是有一些PyTorch不支持的功能。它们是：

• 沿维翻转张量（np.flip, np.flipud, np.fliplr）
• 检查无穷与非数值张量（np.is_nan, np.is_inf）
• 快速傅里叶变换（np.fft）

这些TensorFlow都支持。另外，TensorFlow的contrib软件包中，有更多PyTorch没有的高级功能和模型。

这一方面TensorFlow优于PyTorch。

5、序列化

两种框架下保存和加载模型都很简单。PyTorch有一个特别简单的API，可以保存模型的所有权重或pickle整个类。

TensorFlow的Saver对象也很易用，而且为检查提供了更多的选项。TensorFlow序列化的主要优点是可以将整个图保存为protocol buffer。包括参数和操作。然而图还能被加载进其他支持的语言（C++、Java）。这对于部署堆栈至关重要。理论上，当你想改动模型源代码但仍希望运行旧模型时非常有用。

这一方面TensorFlow优于PyTorch。

6、部署

对于小规模的服务器端部署（例如一个Flask web server），两个框架都很简单。

对于移动端和嵌入式部署，TensorFlow更好。不只是比PyTorch好，比大多数深度学习框架都要要。

使用TensorFlow，特别是TensorFlow2.0，进一步优化了部署方面的功能。部署在Android或iOS平台时只需要很小的工作量，至少不必用Java或者C++重写模型的推断部分。对于高性能服务器端的部署，还有TensorFlow Serving能用。除了性能之外，TensorFlow Serving一个显著的优点是可以轻松的热插拔模型，而不会使服务失效。

这一方面TensorFlow优于PyTorch。这也是很多开发人员选择TensorFlow的一个重要原因，因为做好的项目最终要部署的实际的场景中。

7、自定义扩展

两个框架都可以构建和绑定用C、C++、CUDA编写的自定义扩展。TensorFlow1.0仍然需要更多的样板代码，尽管这对于支持多类型和设备可能更好。在PyTorch中，你只需为每个CPU和GPU编写一个接口和相应的实现。两个框架中编译扩展也是直接记性，并不需要在pip安装的内容之外下载任何头文件或者源代码。

这一方面PyTorch优于TensorFlow，这也是很多学术研究人员选择PyTorch的一个重要原因。

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