TensorFlow 可能被 PyTorch 比下去了吗？

总有人在后台问我，如今 TensorFlow 和 PyTorch 两个深度学习框架，哪个更流行？

 

就这么说吧，今年面试的实习生，问到常用的深度学习框架时，他们清一色的选择了「PyTorch」。

 

这并不难理解，这两年，PyTorch 框架凭借着对初学者的友好性、灵活性，发展迅猛，几乎占据了深度学习领域的半壁江山。比起 TF 的框架环境配置不兼容，和 Keras 由于高度封装造成的不灵活，PyTorch 无论是在学术圈还是工业界，都相当占优势。不夸张地说，掌握了 PyTorch ，就相当于走上了深度学习、机器学习的快车道。

 

那么，PyTorch 为什么这么强？

 

首先，PyTorch 的命令式的编程风格，这对用户很友好。

 

PyTorch 设计得更科学，不必像 TF 那样，还要在各种 API 之间做切换，操作便捷。代码可读性也更强，能让人把注意力集中在问题本身而不是实现。一个 layer 也只对应一种函数，不用去纠结应该学习哪个。

 

其次，PyTorch 的易用性更好，而且生态起来了，大部分论文开源都是用 PyTorch。

 

PyTorch 各种开发版本都能向下兼容，环境配置和网络搭建分分钟拿下。而且 PyTorch 跟 NumPy 风格比较像，轻易就能和 Python 生态集成起来，开发者掌握了 NumPy 跟基本的深度学习概念就能上手。

 

还有，PyTorch 在 debug 代码的过程也十分方便，可以随时输出中间向量结果。

 

使用 PyTorch 就像在 Python 中使用 print 一样简单，只要把一个 pdb 断点扔进 PyTorch 模型里，直接就能用了。

 

而且 PyTorch 的应用范围越来越广，不仅能够帮你实现模型和算法，快速完成深度学习模型部署，提供高并发服务，还可以轻松去实现图像生成、文本分析、情感分析这样的有趣实验。