作者|土豆变成了泥
来源|邱智路(ID:gh_4a538bd95663)
【简介】作为谷歌tensorflow一个项目的投稿人，很快就弃坑转投Pytorch。张量流目前还没有被Pytorch比较过，但是大概率后来被比较过。
01 Pytorch在学术界已经超越了Tensorflow
Pytorch因其简单易用而被研究者使用。
深度学习论文中Pytorch框架的使用率
从2018年的10%左右，飙升至今年的80%。只要操作激烈，Pytorch称霸学界已成定局。
原因很简单。Research的目的是快速实现和验证自己的想法，而不太关注兼容性、部署等问题。因此，大多数人奉行“如何尽快到达这里”的策略。同样，只有能够快速验证自己想法的研究员，才能在没有实现的情况下，拖延太多时间，更有机会发好论文。
因此，学术派的Pytorch在未来会脱颖而出。
02张量流在工业中仍然不可替代
行业更注重部署，而Tensorflow生态更有利于快速部署。
以英伟达支持的TensorRT为例。与Pytorch相比，英伟达官方不仅支持Tensorflow，还给出了基于TensorRT的多版本机型。此外，还给出了不同模型在最常用的嵌入式板TX2上的算法测试时间。
因此，作为一名工程师，最好的方法是在现有的生态基础上结合和优化算法，以满足特定的任务，从而更快地给出解决方案，更快地运行流程，更快地完成任务。
但是如果部署生态还不成熟，我们可能会遇到tensort不支持某些操作，tensort的优化没有达到Tensorflow的水平，甚至会发现一些莫名其妙的bug，然后需要几天才能解决甚至无法解决。
因此，在当前的部署生态中，Tensorflow要比Pytorch复杂得多。
03未来，Tensorflow将无法进入学术领域。
从2018年Pytorch从10%飙升至80%的趋势来看，Tensorfow未来将无法进入学术领域，后续份额更小。一个失去了人心的框架，再一次扭转潮流找到人心比重新开始更难。
此外，Tensorflow 2.0更为关键。如果看它的急切模式，为什么不用Pytorch？是历史包袱吗？都是动态图，Pytorch清晰简洁，没有那么多的旧历史可以绕过。但是在使用Tensorflow的时候，总会不小心发现自己绕过了旧版本。
04未来，Tensorflow也可能失去产业。
Tensorflow在行业中的地位并没有那么强，因为生态永远是人建造的。
当学术界冲进Pytorch，适应新模式等工作时，自然会倾向于Pytorch。
一些项目已经将Pytorch转化为Tensorflow的工具。届时张量流是否仅用于部署？
05张量流的缺点
Tensorflow静态图有点难用，但不是1.x版本不好用的主要原因。Tensorflow 1.x不好用的主要原因是API的混乱。
Tf.nn是基本操作，但是tf.layer、tf.keras、tf.contrib是一堆东西，比如tf.contrib.layer、slim等。如此多的冗余模块只是基本的神经网络层，贡献中也有一些特殊的模块。
然而，这种冗余大大降低了张量流的生态质量。有人习惯用tf.layer，有人喜欢nn，官方还一直用slim，很多人也用tf.contrib里的很多东西，这种混乱让Tensorflow的生态使用没那么容易。
我记得当我第一次使用张量流时，我对contrib中的东西不太了解。突然，当我看到代码时，我遇到了slim，我觉得绝对。在谷歌的官方代码中，显然有一个MobileNet，所以我们不能不使用contrib中的内容吗？不知道骚操作在这里需要用到什么。contrib中不稳定的东西呢？不稳定，经常使用。
在Tensorflow 2.0之后，情况并没有好转。
为了兼容1.x，谷歌也在想尽一切办法。然而2.x的生态连Pytorch的尾灯都看不到。图什么？时不时的，是不是对1.x的生态更好？
最好还是坚持静态图，然后梳理自己的API！
06总结
Pytorch还在崛起，张量流的混乱会让张量流逐渐失去优势，转向动态图的张量流只会加速它的灭亡。
所以，对于想入坑神经网络的小白来说，直接扑向Pytorch，头也不回；
对于已经在使用Pytorch的人，不要痴迷于Tensorflow，这不是香椿；
对于已经在Tensorflow浅坑的，建议马上转Pytorch，因为你会在Tensorflow再次学习Pytorch，一周就够了；
对于那些已经在Tensorflow坑底的人来说，一定是一个很大很大的坑，框架不再是你的约束。
框架死了，人还活着。两种框架各有优势，但Pytorch更有前景。
选择最有前途的才是最明智的。49年不要参军。
(*本文转载文章为AI技术大本营，转载请联系原作者)