PyTorch与TensorFlow 2.0的流行度对比

Tensorflow VS Pytorch对比

• 2020：PyTorch 顶会独领风骚，职场优势追赶 TensorFlow
• 上手时间
• 创建图和调试
• 覆盖度
• 谷歌的 Tensorflow
• 优势
• Facebook 的 PyTorch
• 优势
• 分布式训练
• 可视化
• 生产部署

值得注意的是，当时的 PyTorch 在职位数量增长方面尤其亮眼，与 TensorFlow 之间的差距非常小。而且，除了领英之外，PyTorch 在所有求职网站上的职位增加量都超过了 TensorFlow。

2020：PyTorch 顶会独领风骚，职场优势追赶 TensorFlow

• 二者现在都可以在动态 eager execution 模式或静态图模式下运行
• PyTorch 的社区也在不断扩大
• TensorFlow 2.0 也引入了不少新的改进，使得 API 更加精简，对大脑更加友好。此外，TensorFlow 紧密集成了 Keras 作为其前端和高级 API。
• 与 PyTorch 相比，TensorFlow 在产品和边缘设备深度学习中仍然拥有更加丰富的功能，但是 PyTorch 的功能也在逐渐完善。
  PyTorch 更适用于研究、爱好者和小规模项目的快速原型开发。TensorFlow 更适合大规模部署，尤其是涉及跨平台和嵌入式部署时。

tensorflow与pytorch调研

发展趋势：pytorch 获胜

2018：tensorflow碾压pytorch

2019：pytorch火力全开，tensorflow增长乏力

2020：pytorch在学术界，顶会独领风骚，职场上追赶tensorflow

上手时间：pytorch 获胜

Pytorch替代numpy，与 Python 语言的整合更紧密，易于上手，对新手友好。

编写 TensorFlow 代码时，它会被Python编译成图（graph），然后由 TensorFlow 执行引擎运行，新手难以理解这额外工序及一些概念。

创建图与调试：pytorch 获胜

PyTorch 图结构是动态图，内存使用很高效。图构建方式更容易理解，更容易调试，可以在任何地方设置断点。

TensorFlow 图结构是静态图，调试 TensorFlow有两个选择，一是从会话中请求你想检查的变量，二是学习使用 TensorFlow 调试器（tfdbg）

PS： TensorFlow2.0版本提供了使用 TensorFlow Fold 库实现动态图的方式，而 PyTorch 的动态图是内置的。

分布式训练：pytorch 获胜

在数据并行化方面，PyTorch 优化性能的方式是利用 Python 对异步执行的本地支持。

TensorFlow 时，你必须手动编写代码，并微调要在特定设备上运行的每个操作，以实现分布式训练。

可视化：TensorFlow 获胜

在训练过程的可视化方面，TensorFlow 更有优势。可视化能帮助开发者跟踪训练过程以及实现更方便的调试。TensorFlow 的可视化库名为 TensorBoard。PyTorch 开发者则使用 Visdom，但是 Visdom 提供的功能很简单且有限。

TensorBoard 的特性：

跟踪和可视化损失和准确度等指标
可视化计算图（操作和层）
查看权重、偏差或其它张量随时间变化的直方图
展示图像、文本和音频数据 分析
TensorFlow 程序

Visdom 的特性

处理回调

绘制图表和细节

管理环境

生产部署：TensorFlow 获胜

TensorFlow可以直接使用 TensorFlow serving 在 TensorFlow 中部署模型，这是一种使用了 REST Client API 的框架。

PyTorch 时，在最新的 1.0 稳定版中，生产部署要容易一些，但它没有提供任何用于在网络上直接部署模型的框架。你必须使用 Flask 或 Django 作为后端服务器。

职位需求：pytorch 获胜
2018，tensorflow需求人数是pytorch的3倍。
2019，tensorflow需求人数是pytorch的2倍。

TensorFlow 的优点：

简单的内置高级 API 使用 TensorBoard 可视化训练

通过 TensorFlow serving 容易实现生产部署

很容易的移动平台支持 开源

TensorFlow 的缺点：

静态图

调试方法

难以快速修改

2.0版本后，文档混乱

PyTorch 的优点:

类 Python 的代码，简单易上手

动态图

轻松快速的编辑

良好的文档和社区支持

开源

很多项目都使用 PyTorch

PyTorch 的缺点：

可视化需要第三方

生产部署需要 API 服务器

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