一个令人震惊的事实是，人工智能和机器学习的工具和技术在不久的将来迅速崛起。深度学习，或“类固醇机器学习”，是数据科学家和机器学习专家拥有无数可用库和框架的领域。许多这些框架都是基于Python的，因为Python是一种更通用、相对简单的语言。Theano、Keras、TensorFlow是为数不多的建立在Python之上的流行深度学习库，它们使机器学习专家的工作变得更轻松。Google的TensorFlow是一种广泛使用的机器学习和深度学习框架。TensorFlow于2015年开源，得到了机器学习专家社区的广泛支持。TensorFlow已迅速成长为许多机构根据其机器学习和深度学习需求选择的框架。另一方面，PyTorch是Facebook最近开发的用于训练神经网络的Python包，改编自基于Lua的深度学习库Torch。PyTorch是为数不多的可用深度学习框架之一，它使用基于磁带的autograd系统以快速灵活的方式构建动态神经网络。在这篇文章中，我们从不同方面比较了PyTorch和TensorFlow。开始吧！哪些编程语言支持PyTorch和TensorFlow？尽管主要是用C++和CUDA编写的，但TensorFlow在核心引擎之上包含一个PythonAPI，使Python支持者Pythonistas更容易使用。除了Python之外，它还包括其他API，例如C++、Haskell、Java、Go和Rust，这意味着开发人员可以使用他们喜欢的语言进行编码。尽管PyTorch是一个Python包，但您也可以提供一个API，用于使用基本的C/C++语言进行编码。如果您熟悉Lua编程语言，您还可以使用TorchAPI在PyTorch中编写神经网络模型。PyTorch和TensorFlow的易用性如何？如果将TensorFlow作为一个独立的框架使用，它可能会有点复杂，并且会给深度学习模型的训练带来一些困难。为了降低这种复杂性，可以使用TensorFlow复杂引擎之上的Keras包装器来简化深度学习模型的开发和培训。TensorFlow还支持PyTorch目前没有的分布式训练。得益于包含的PythonAPI，TensorFlow也可用于生产，即用于训练和部署企业级深度学习模型。由于Torch的复杂性，PyTorch用Python重写。这使得PyTorch对于开发人员来说更加原生。它有一个易于使用的框架，可提供最大的灵活性和速度。它还允许在训练期间快速更改代码而不影响其性能。如果你已经有一些深度学习经验并且之前使用过Torch，你会更喜欢PyTorch，因为它的速度、效率和易用性。PyTorch包含一个自定义GPU分配器，它使深度学习模型的内存效率更高。这使得训练大型深度学习模型变得更加容易。因此，Pytorch在Facebook、Twitter、Salesforce等大型组织中很受欢迎。使用PyTorch和TensorFlow训练深度学习模型PyTorch和TensorFlow都可以用来构建和训练神经网络模型。TensorFlow适用于SCG（静态计算图），它涉及在模型开始执行之前定义静态图。但是，一旦执行，在模型中调整更改的唯一方法是使用tf.session和tf.placeholder张量。PyTorch非常适合训练RNN（递归神经网络），因为它们在PyTorch中的运行速度比在TensorFlow中快。它在DCG（动态计算图）上工作，可以随时在模型中定义和更改。在DCG中，每个模块都可以独立调试，这使得神经网络的训练更加容易。TensorFlow最近提出了TensorFlowFold，这是一个旨在创建用于处理结构化数据的TensorFlow模型的库。与PyTorch一样，它实现了DCG，在CPU上提供高达10倍的计算速度，在GPU上提供超过100倍的计算速度！借助动态批处理，您现在可以执行大小和结构各不相同的深度学习模型。比较GPU和CPU优化TensorFlow的编译时间比PyTorch更快，为构建真实世界的应用程序提供了灵活性。它可以在各种处理器上运行，从CPU、GPU、TPU、移动设备到RaspberryPi（物联网设备）。另一方面，PyTorch包括张量计算，可以使用GPU将深度神经网络模型加速50倍或更多。这些张量可以驻留在CPU或GPU上。CPU和GPU都是独立的库，无论神经网络大小如何，PyTorch都可以高效地利用它们。社区支持TensorFlow是当今最流行的深度学习框架之一，这也为其带来了庞大的社区支持。它有很好的文档和一组详细的在线教程。TensorFlow还包括许多在GitHub上托管和可用的预训练模型。这些模型为有兴趣使用TensorFlow的开发人员和研究人员提供一些现成的材料，以节省他们的时间和精力。另一方面，PyTorch的社区相对较小，因为它最近才发展起来。与TensorFlow相比，文档不是很好，代码也不是很容易获得。然而，PyTorch确实允许个人与他人分享他们预训练的模型。PyTorch和TensorFlow——权力悬殊的故事目前，TensorFlow显然比PyTorch更受欢迎，原因有很多。TensorFlow规模庞大、经验丰富，最适合实际应用。对于大多数机器学习和深度学习专家来说，这是显而易见的选择，因为它提供了大量的功能，最重要的是它在市场上的成熟度。它有更好的社区支持和多语言API可用。它有一个很好的文档库，并且由于代码随时可用，因此很容易生成。因此，它更适合想要开始深度学习的人，或者想要开发深度学习模型的组织。尽管PyTorch相对较新且社区较小，但速度快且效率高。简而言之，它为您提供了Python的实用性和易用性的所有优势。由于其效率和速度，它是小型研究项目的绝佳选择。如前所述，Facebook、Twitter等公司正在使用PyTorch来训练深度学习模型。然而，使用它还没有成为主流。PyTorch的潜力显而易见，但它还没有准备好挑战TensorFlow这头野兽。然而，随着它的发展，PyTorch进一步优化并提供更多功能直到与TensorFlow相提并论的日子已经不远了。
