tensorflow与pytorch的区别,TensorFlow与PyTorch之间有何不同？

由于人工智能正在几乎所有自动化领域得到实施。深度学习是用于开发和最大化类人计算机效率的最棘手的架构之一。为了帮助产品开发人员，Google，Facebook和其他大型科技公司已经发布了各种Python环境框架，可以学习，构建和培训多样化的神经网络。

谷歌的TensorFlow是深度学习的开源框架，多年来受到欢迎。使用新框架，PyTorch因其易于编写的代码而受到初学者的关注。 PyTorch是基于Python，C ++和CUDA后端开发的，可用于Linux，macOS和Windows。

这两个广泛使用的框架之间存在一些差异，可能是因为它们实现代码，可视化技术以及静态和动态编程的方式。

我们来看看差异：

计算图

初始化时，在PyTorch上分配和构建图形遵循动态计算图形方法。熟悉Python中的数学库的用户会发现它很容易，因为人们不必为了构建图形而头脑发热。您可以按照自己的方式直接编写输入和输出功能，而无需担心尺寸张量。通过CUDA支持，这使生活变得更加容易。

在TensorFlow中，人们必须努力构建张量（图形）的维度以及为变量分配占位符。完成此操作后，必须运行会话才能计算出所有计算结果。这样的痛苦，不是吗？

例如，tf.Session（）用于构建会话，tf.Variable（）用于将权重分配给变量，依此类推。初始化后，可以构建一个神经网络，用于TensorFlow中的训练。

文档

PyTorch和TensorFlow的文档广泛可用，考虑到两者都在开发中，而PyTorch是最近发布的，与TensorFlow相比。人们可以在两个框架上找到大量文档，其中实现得到了很好的描述。

这两个框架都提供了大量的教程，这有助于人们专注于通过用例学习和实现它们。

适应设备

PyTorch和TensorFlow都有GPU扩展可用。这两个框架之间的主要区别在于，当考虑GPU进行TensorFlow计算时，它会消耗所有可用GPU的整个内存。通过为特定进程分配正确的GPU设备可以避免这种情况。 tf.device（）为您提供选择首选GPU的选项。由于TensorFlow是一种静态计算图形方法，因此可以轻松优化此框架上的代码。

在PyTorch上，变量可以与权重一起分配并同时运行，其中框架构建计算所需的图形。这方面的GPU使用已经通过CUDA安装启用，即使在尝试在CPU上运行时，PyTorch也总是试图找到要计算的GPU。因此，必须提供X.cpu（）扩展才能在CPU上运行它。

在TensorFlow tf.device（/ cpu：0）：参数用于在CPU上运行它。也可以选择使用tf.device（/ gpu：0）的GPU来选择第一个GPU或tf.device（/ gpu：1）来选择第二个GPU。

模型可视化

可视化是理解模型性能和工作的关键。 TensorFlow具有图形和模型TensorBoard的实时表示功能，非常方便。在这里，人们不仅能够获得神经网络的图形表示，还能够获得实时的损失和准确度图，其描绘了模型在特定迭代中的精确度。这是一些例子：

这是一个实时分析，与PyTorch相比，TensorFlow擅长，而PyTorch完全缺乏此功能。您还可以可视化神经网络的流程图，包括音频文件（如果您的数据中存在），这非常棒。

结论

在未来，PyTorch可能会像TensorBoard一样添加可视化功能。 PyTorch因其动态的计算方法和简单性而越来越受欢迎。建议初学者在继续使用TensorFlow之前在PyTorch上工作，这有助于他们专注于模型而不是花时间构建图形。

我会在这里发布所有与科技、科学有关的有趣文章，欢迎订阅我的号。偶尔也回答有趣的问题，有问题可随时在评论区回复和讨论。

（码字不易，若文章对你帮助可点赞支持~）

面对Tensorflow，为何我选择PyTorch？

先来说说pytorch劣势。自从其被发布以来pytorch更多被用于学术界而不是工业界的实际生产，主要是因为它不够成熟、很多接口不太稳定，加上其全面性也不够，tensorflow目前仍然有很多pytorch不支持的功能，比如快速傅里叶变换，但这一点劣势会随着pytorch的发展而逐渐减小。除此此外，相比于tensorflow的容易各处部署的静态图（这一点远胜于很多框架），以python优先的深度学习框架 pytorch在部署到其他产品会很不方便。

优势先从上手时间开始说，虽然在2015年发布之后tensorflow多方受宠，但是和theano一样，tensorflow使用的是静态计算图，对于新手来说有过多需要新学习的概念，这导致了不管是入门还是搭建，使用tensorflow都比pytorch困难。而在2017年pytorch被团队开源的主要原因之一也是让建立深度学习模型更加简单，这让它发展十分迅猛。在数据加载上，pytorch加载数据的API简单高效，其面向对象的API源自于porch（也是keras的设计起源），比tensorflow难学的API友好很多，使用户可以将重点放在实现自己的想法，而不是被框架本身束缚住。

速度上，pytorch并没有为了灵活性而放弃速度，虽然运行速度和程序员水平密切相关，但pytorch在相同情况下常有可能胜于其他框架的速度。另外，如果追求自定义拓展，pytorch也会是首选，因为虽然二者的构建和绑定有一定的相似点，但是tensorflow在拓展时会需要很多样板代码，但pytorch只用编写接口和实现。

PyTorch和Gluon有什么区别？

pytorch是一个和tensorflow一样的深度学习框架，没有高度封装，适用于科研和工业部署的框架，由facebook出品，随着pytorch新版本的更新，c++的扩展，也许能够与tensorflow争一下地位，对于工业界也逐渐友好，工业部署算法也有些可能。tensorflow是静态图，而pytorch是动态图。

Gluon是亚马逊大神LI MU带领下做的一个前端工具，是一个高度封装的接口。很多最新论文的算法，都有复现，你只需要去调用相应的function就可以使用相应算法，可以很简单，快捷的使用算法，看算法的展示效果。另外GluonCV是衍生出来的另一来源项目，主要针对于视觉方面，比如人脸识别，车辆检测，物体分类等等。高度封装，对于非行业的人事非常友好，真正做到，几行代码就可以运行算法。

总体感觉Gluon之于MXNET,有些像keras之于tensorflow.

对Gluon有兴趣的，可以移步到:https://discuss.gluon.ai/t/topic/7429