自深度学习重新获得认可以来，众多机器学习框架相继涌现，争相成为研究者和行业从业者的新宠。从早期的学术成果Caffe和Theano，到拥有巨大产业支撑的PyTorch和TensorFlow，面对海量的学习框架，很多研究者不知该如何选择？机器学习框架。Tensorflow/Keras和PyTorch是迄今为止最受欢迎的两个主要机器学习库。TensorFlow由谷歌团队开发，2015年发布。PyTorch由Facebook团队开发，2017年开源在GitHub上。为了充分发挥不同机器学习框架的优势，很多机器学习从业者比较不同的框架，通过比较优缺点选择最合适的框架。在本文中，我们比较了机器学习库（PyTorch1.8和Tensorflow2.5）：最新版本中的新功能；使用哪一个以及为什么。Tensorflow2.xVSPytorch1.8Tensorflow2.xTensorFlow1和TensorFlow2.x之间有很多变化。首先是Tensorflow.js的发布。随着Web应用程序日益占据主导地位，在浏览器上部署模型的需求大大增加。借助Tensorflow.js，您可以使用Node在浏览器中运行现有的python模型，重新训练现有模型，并使用Javascript（不需要python）完全构建和训练模型。Tensorflow2.x中的另一个版本是TensorflowLite，这是一个用于在移动和嵌入式设备上部署模型的轻量级库。这是因为移动和Web应用程序是两种最主要的应用程序类型。使用TensorflowLite，您可以简单地将现有模型转换为“压缩平面缓冲区”，然后将缓冲区加载到移动设备或任何其他嵌入式设备中。这期间发生的主要优化过程是将32位浮点值转换为8位，更适合嵌入式设备（内存占用少）。还包括TensorflowExtended(TFX)的发布，这是一个用于部署生产ML管道的端到端平台。它在机器学习的3个最重要领域（Web应用程序、移动应用程序和生产管理）做得很好。机器学习生产流水线仍然需要大量的研究和开发。TFX解决了经典的软件生产挑战，例如可扩展性、可维护性和模块化。此外，它还可以帮助解决机器学习的特定挑战，例如持续在线学习、数据验证、数据管理等。PyTorch1.8与TensorflowLite类似，PyTorch改进了其现有的PytorchMobile。该框架为Android和iOS量化、跟踪、优化和保存模型。还发布了PytorchLiteInterpreter的原型，它减少了移动设备上二进制运行时的大小。此外，通过更具体的错误处理和流水线并行性，对分布式训练提供了更多支持。PytorchProfiler用于分析APP、模型执行时间、执行过程、内存消耗等。虽然Pytorch闪电不属于PyTorch1.8，但值得一提。Pytorch闪电已发布，使编码神经网络更加容易。把它想象成广泛使用的Pytorch的Keras，其原因归结为Keras通过使模型的实现变得更容易和更快来显着改进Tensorflow。在Pytorch中，Pytorch闪电具有相同的目的。如何选择？本质上，这两个库都非常好，它们在性能和功能上非常接近。总体而言，两个库之间的编码风格存在差异。PyTorch以其OOP（面向对象编程）风格而闻名。例如，在创建自定义模型或自定义数据集时，您很可能会创建一个继承自默认PyTorch库的新类，然后进行代码调整。尽管OOP以某种方式为代码提供了结构，但就代码行而言，它会使代码变得非常长。另一方面，在使用Tensorflow时，您很可能会使用Keras。比如在进行Kaggle竞赛（监督学习图像分类、物体检测、图像分割、NLP等）时，可以发现Keras的代码实现要比PyTorch短。作为初学者/中级，这很棒，因为您不必花费大量时间阅读和分解代码行。在某些情况下，您需要在特定的机器学习领域中找到特定的模型。比如在做物体检测比赛的时候，想实现DETR（Facebook的Data-Efficienttransformer），结果发现大部分资源都是用PyTorch写的，所以在这种情况下，用PyTorch更容易。此外，PyTorch的代码实现更长，因为它们涵盖了许多底层细节。这既是优势也是劣势。当您是初学者时，在继续使用更高级别的API（例如Keras）之前了解低级别的细节非常有帮助。然而，这也是一个缺点，因为您会发现自己迷失在许多细节和相当长的代码段中。因此，从本质上讲，如果您的工作期限很紧，最好选择Keras而不是PyTorch。
