在这篇文章中，作者通过GitHub、Medium文章、arXiv论文和LinkedIn评估了不同神经网络框架的发展趋势。2018年9月，笔者对比了各大深度学习框架的需求、使用、流行程度，其中TensorFlow是无可争议的重量级冠军，而PyTorch则是后起之秀，口碑相传。领先的深度学习框架在过去六个月中发生了怎样的变化？为了回答这个问题，作者不仅查看了Indeed、Monster、LinkedIn和SimplyHired上的职位列表数量，还评估了Google搜索量、GitHub活动、Medium和ArXiv文章以及Quora主题的关注者变化。总的来说，这些资源全面描述了需求、使用和兴趣的增长。集成和更新就工具本身而言，TensorFlow和PyTorch框架最近都有几项重大发展。2018年10月，预发布PyTorchv1.0，同时发布fastaiv1.0。两者的发布是标志着框架成熟的一个重要里程碑。2019年3月4日，TensorFlow2.0alpha版本发布，增加了一些新特性，提升了用户体验。TensorFlow2.0alpha版本更紧密地集成了Keras作为其高级API。方法论Keras和fastai与TensorFlow和PyTorch紧密集成，因此本文将两者都包含在比较中。Keras和fastai也提供了评估TensorFlow和PyTorch的参考范围。作者不会在本文中探索其他深度学习框架。作者希望收到证明Caffe、Theano、MXNet、CNTK、PaddlePaddle、DeepLearning4J或Chainer值得讨论的反馈。虽然这些深度学习框架各有千秋，但就其发展轨迹而言，它们似乎不太可能接近TensorFlow或PyTorch。这些框架也无法与TensorFlow或PyTorch紧密耦合。检索日期为2019年3月20-21日，来源数据在GoogleSheets。让我们来看看各种深度学习框架的结果吧！在线职位列表的变化为了确定哪些深度学习库在当今的就业市场上很受欢迎，作者在Indeed、LinkedIn、Monster和SimplyHired中搜索了职位列表。作者首先搜索术语“机器学习”，然后搜索框架/库名称。因此，作者用《机器学习TensorFlow》来评价TensorFlow。出于历史比较的原因，作者采用了这种评估方法。不包括“机器学习”的搜索产生了截然不同的结果。搜索区域是美国。作者从六个月前的数量中减去2019年3月的职位列表数量，结果如下：TensorFlow的职位列表增长略高于PyTorch。Keras的职位列表也在增长——大约是TensorFlow增长的一半。FastAI仍然没有出现在任何职位列表中。需要注意的是，在除LinkedIn之外的所有求职网站上，PyTorch的职位列表都比TensorFlow多。还值得注意的是，就绝对值而言，TensorFlow出现在职位列表中的次数几乎是PyTorch或Keras的三倍。平均Google搜索活动的变化搜索引擎中的页面搜索是受欢迎程度的衡量标准。作者查看了过去一年的GoogleTrends搜索历史。作者还搜索了世界上对“机器学习”和“人工智能”类别的兴趣。谷歌不给出绝对搜索数字，而是提供相对数字。作者将过去六个月的平均搜索兴趣得分与前六个月进行了比较。在过去六个月中，TensorFlow的相对搜索次数有所下降，而PyTorch的相对搜索次数有所增加。下图来自谷歌，直接显示了过去一年的搜索兴趣。TensorFlow显示为蓝色，Keras显示为黄色，PyTorch显示为红色，fastAI显示为绿色。NewMediumArticlesMedium是一个流行的数据科学文章和教程之家。作者希望读者能够喜欢！😃在过去的六个月里，笔者使用Medium.com的谷歌站点搜索发现，TensorFlow和Keras发表的文章数量差不多，而PyTorch相对较少。作为高级API，Keras和fastAI很受深度学习新从业者的欢迎。Medium上有许多教程解释了如何使用这些框架。最新的arXiv文章是一个流行的预印本论文发表平台，大多数学术深度学习文章都发表在arXiv上。作者根据过去六个月的Google站点搜索结果搜索提及每个框架的最新文章。TensorFlow有近3000篇文章，在这方面有很大的优势。大多数最新的AI论文都使用TensorFlow框架（学术界喜欢使用PyTorch吗？）。最新GitHub活动GitHub上的最新活动是框架受欢迎程度的另一个指标。作者在下图中列出了star、forks、watchers和contributor的数量。在每个类别中，GitHubonTensorFlow的活跃度最高。然而，PyTorch在观察者和贡献者增长方面与TensorFlow相当接近。此外，Fastai上还有大量的新贡献者。毫无疑问，一些Keras贡献者在TensorFlow库上工作。值得注意的是，TensorFlow和Keras都是由谷歌人带头的开源产品。新的Quora关注者作者将新的Quora主题关注者添加到基线-一个以前没有数据的新类别。TensorFlow在过去六个月中添加了最新的主题关注者。PyTorch和Keras非常不同。作者将所有数据添加后合并为一个指标。TheGrowthScoreprocedure作者创建了GrowthScore机制：所有特征的值都在0-1之间。总结了“在线职位列表”和“GitHub活动”子类别。基于下面列出的百分比的加权分类。可理解性乘以100的加权分数。将每个框架的类别分数聚合成一个单一的增长分数。Joblistings占总分的三分之一以上，比例最高：moneycounts。这种多权重方法平衡了不同的类别。与2018年的统计相比，这个统计不包括KDNuggets的使用调查（因为新的数据还没有出现），以及图书的出版量（过去六个月对应的新书数量并不多）。结果：这是形式上的变化。对应的Google表格：https://docs.google.com/spreadsheets/d/1Q9rQkfi8ubKM8aX33In0Ki6ldUCfJhGqiH9ir6boexw/edit?usp=sharing这里是类别和最终分数。这是最终的增长分数。TensorFlow是需求量最大、增长最快的框架，而且这种趋势在不久的将来不会改变。PyTorch也在快速增长，其在工作列表中的快速增长就是明证。Keras在过去六个月里也成长了很多。最后，fastai起点最低，但因为是最年轻的，所以还是值得期待的。TensorFlow和PyTorch都是值得学习的框架。学习建议如果你想学习TensorFlow，我们建议你从Keras开始。相应的课程是Chollet的DeepLearningwithPython和DanBecker在Keras上的DataCamp课程。TensorFlow2.0使用tf.keras，Keras作为其高级API。Chollet有一个关于TensorFlow2.0的快速入门。如果你想学习PyTorch，我们推荐你从fast.ai的MOOC课程《Practical Deep Learning for Coders v3》开始。在这里，您将学习深度学习、fastai和PyTorch的基础知识。TensorFlow和PyTorch未来的发展方向是什么？未来的方向我们已经能够听到“PyTorch比TensorFlow更好”的说法。事实上，PyTorch更Pythonic并且具有更统一的API。它具有原生的ONNX模型导出机制，可用于加速推理。而且PyTorch和Numpy有很多共同点，这使得人们的学习成本要低很多。不过，正如谷歌首席智能决策工程师CassieKozyrkov所说，TensorFlow在2.0版本中大大改善了用户体验。TensorFlow现在有一个更直接的API，完全集成了Keras和EagerExecution选项。这些变化，连同TensorFlow的用户群，应该会让该框架在未来继续流行。TensorFlow最近宣布了另一个激动人心的项目：TensorFlowforSwift的开发。Swift是一种最初由Apple推广的编程语言。Swift在执行和开发速度方面比Python有很多优势。Fast.ai将在高级MOOC课程中使用SwiftforTensorFlow。这种语言可能在未来一两年内看不到黄金时期，但这种发展对目前的深度学习框架来说是非常有利的。语言和框架之间的融合正在发生。对深度学习框架的另一个迫在眉睫的影响是量子计算。实用的量子计算机有可能在几年后出现，谷歌、IBM、微软等正在探索量子计算与深度学习的融合。框架需要适应这些新技术。结语经过统计，我们可以看到TensorFlow和PyTorch都是增长强劲的神经网络框架。它们都有高级API——tf.keras和fastai——降低了深度学习的门槛。除此之外，我们也看到了未来的一些发展方向。如果想获取文章和JupyterNotebook中的数据，请前往KaggleKernel：https://www.kaggle.com/discdiver/2019-deep-learning-framework-growth-scores原文链接：https://走向数据科学。com/which-deep-learning-framework-is-growing-fastest-3f77f14aa318【本文为机器之心专栏原文翻译，微信公众号“机器之心（id：almosthuman2014）”】点此查看该作者更多好文
