作者 | Ari Joury
转自 | 机器之心
编辑 | 袁铭怿
科技领域一直存在着一种「教派之争」。无论是关于不同操作系统、云服务提供商还是深度学习框架的利弊之争，只要喝上几杯啤酒，事实就会被抛到一边，人们就开始就像争夺圣杯一样，为他们支持的技术而战。关于 IDE 的讨论似乎没有尽头，有些人喜欢 VisualStudio，有些人喜欢 IntelliJ，还有一些人更偏爱普通的旧编辑器，如 Vim。总有人说，爱用的文本编辑器往往会反映出用户的性格，这听起来似乎有点荒唐。在 AI 技术兴起后，深度学习框架 PyTorch 和 TensorFlow 两大阵营似乎也爆发了类似的「战争」。这两个阵营背后都有大量的支持者，并且他们都有充足的理由来说明为什么他们所喜欢的框架是最好的。话虽如此，但数据显示出一个再明显不过的事实。TensorFlow 是目前应用最广泛的深度学习框架。它每个月在 StackOverflow 上收到的问题几乎是 PyTorch 的两倍。但另一方面，PyTorch 最近的发展势头很好，TensorFlow 的用户一直没有增长。在这篇文章发表之前，PyTorch 一直在稳步获得关注。为了完整起见，下图还展示了与 TensorFlow 几乎同时发布的 Keras。显然，Keras 近年来的表现不尽人意，简单来说是因为 Keras 有点简单，对于大多数深度学习从业者的需求来说太慢了。
PyTorch 的热度仍在增长，而 TensorFlow 的增长已经停滞。图表来自 StackOverflow trends。
TensorFlow 的 StackOverflow 流量可能不会快速下降，但它仍然是在下降。所以人们有充分的理由认为，这种下降趋势在未来几年将会更加明显，特别是在 Python 领域。谷歌主导开发的 TensorFlow 是 2015 年底出现在深度学习派对上的首批框架之一。然而就像任何软件一样，第一个版本使用起来总是相当麻烦。这也正是 Meta（Facebook）开始研发 PyTorch 的原因，作为一种与 TensorFlow 功能相似，但操作起来更加便捷的技术。TensorFlow 的研发团队很快就注意到了这一点，并在 TensorFlow 2.0 大版本更新中采用了许多 PyTorch 上最受欢迎的特性。一个好的经验法则是用户可以在 TensorFlow 中做任何 PyTorch 能做的事情。它将花费两倍的精力来编写代码。即使在今天，它也不是那么直观，而且感觉很不 python。另一方面，对于喜欢使用 Python 的用户来说，PyTorch 的使用体验非常自然。
许多公司和学术机构不具备构建大型模型所需的强大计算能力。然而在机器学习方面，规模才是王道；模型越大，性能越好。在 HuggingFace 的帮助下，工程师可以使用大型、经过训练的和调优的模型，只需几行代码就可以将它们合并到他们的工作流程管道中。然而，这些模型中的 85% 只能与 PyTorch 一起使用，这令人惊讶。只有大约 8% 的 HuggingFace 模型是 TensorFlow 独有的。其余部分可共用于两个框架。这意味着如今的很多用户如果打算使用大模型，那么他们最好远离 TensorFlow，不然就需要投入大量的计算资源来训练模型。PyTorch 在学术界更受欢迎。这么说并非没有依据：四分之三的研究论文使用的是 PyTorch。甚至在那些一开始使用 TensorFlow 的研究人员中 —— 记住，在深度学习方面它出现的更早 —— 大多数人现在也已经转向使用 PyTorch 了。这种令人惊讶的趋势会持续下去，尽管谷歌在 AI 研究中有着举足轻重的地位，并且一直主要使用 TensorFlow。更顺理成章的是，研究影响教学，决定着学生将会学到什么。一个使用 PyTorch 发表了大部分论文的教授将更倾向于在讲座中使用它。他们不仅可以更轻松地讲授和回答有关 PyTorch 的问题，也可能对 PyTorch 的成功抱有更强烈的信念。因此，大学生对 PyTorch 的了解可能比 TensorFlow 多得多。而且，考虑到今天的大学生就是明天的打工人，那么这一趋势的走向就可想而知……到头来，只有当参与到生态系统中时，软件框架才重要。PyTorch 和 TensorFlow 都有相当发达的生态系统，包括除了 HuggingFace 之外的训练模型的存储库、数据管理系统、故障预防机制等等。值得一提的是，到目前为止，TensorFlow 的生态系统仍然比 PyTorch 稍微发达一点。但请记住，PyTorch 是后来才出现的，并且仅仅在过去几年中就有了相当多的用户增长量。因此，PyTorch 的生态系统可能会未来的某一天超过 TensorFlow。尽管 TensorFlow 代码编写起来很麻烦，但一旦编写完成，它的部署要比 PyTorch 容易得多。TensorFlow services 和 TensorFlow Lite 等工具部署到云、服务器、移动和物联网设备的过程顷刻间能完成。另一方面，在部署发布工具方面，PyTorch 一直是出了名的慢。话虽如此，它最近一直在加速缩小与 TensorFlow 的差距。目前还很难预测，但 PyTorch 很有可能在未来几年赶上甚至超过 TensorFlow 的基础设施部署。TensorFlow 代码可能还会存在一段时间，因为在部署后切换框架的成本很高。然而，可想而知，新的深度学习应用程序将越来越多地使用 PyTorch 进行编写和部署。TensorFlow 并没有销声匿迹。只是不像以前那么炙手可热了。核心原因在于，许多使用 Python 进行机器学习的人正在转向 PyTorch。需要注意的是，Python 并不是机器学习的唯一语言。它是机器学习的代表性编程语言，这也是 TensorFlow 开发人员将支持集中在 Python 上的唯一原因。现在，TensorFlow 也可以与 JavaScript、Java 和 C++ 一起使用。社区也开始开发支持其他语言，如 Julia、Rust、Scala 和 Haskell 等。另一方面，PyTorch 极度以 Python 为中心 —— 这就是为什么它给人的感觉如此 Python 化。即使它有一个 C++ API，但它对其他语言的支持程度还不及 TensorFlow 的一半。可以想象，PyTorch 将在 Python 中取代 TensorFlow。另一方面，TensorFlow 凭借其卓越的生态系统、部署功能以及对其他语言的支持，仍将是深度学习领域的一员大将。对 Python 的喜爱程度决定了下一个项目是选择 TensorFlow 还是 PyTorch。https://thenextweb.com/news/why-tensorflow-for-python-is-dying-a-slow-death
机器学习100天计划！
视频讲解 + 实战代码 + 社群交流 + 直播答疑
《机器学习100天》总共包含 100 个机器学习知识点视频讲解！我会提供所有的教学视频、实战代码，并提供社群一对一交流和直播答疑！
扫描下方二维码，加入学习！
点击「阅读原文」即刻报名，一顿午饭钱，值了。
