超越TensorFlow？Yann LeCun：“Why? PyTorch. That's why.”

“85%的模型只能與PyTorch一起使用，這點令人吃驚。只有大約8%的HuggingFace模型是TensorFlow所獨有的，其余的可以同時用于兩個框架?！?/span>此外，在作者看來，PyTorch在學(xué)術(shù)和研究領(lǐng)域更加吃得開，有四分之三的論文研究都使用了PyTorch，而且很多原本使用TensorFlow研究人員也逐漸開始遷移到PyTorch中。而且從師承來看，當(dāng)大學(xué)教授們將PyTorch應(yīng)用于日常教學(xué)中，學(xué)生會得到更多關(guān)于PyTorch，而非TensorFlow的見解。而如果將這樣的習(xí)慣應(yīng)用于未來的工作當(dāng)中，PyTorch的潛力將更加巨大。另一方面，盡管TensorFlow目前的生態(tài)系統(tǒng)架構(gòu)更加龐大，但這主要在于它的長期積累。單從用戶增量來看，PyTorch的增速要比TensorFlow更快。這似乎也意味著，PyTorch的用戶數(shù)會在未來某天和TensorFlow的數(shù)據(jù)重合，然后超過后者。看到這篇文章的LeCun在推特上進(jìn)行了轉(zhuǎn)發(fā)，并配文“Why? PyTorch. That's why.”為什么是PyTorch？這就是為什么?？梢娫撟髡邔yTorch的分析深得LeCun的心。

不過，當(dāng)評論區(qū)有人的贊美之情溢于言表，卻遭到了Lecun的“一口回絕”。

“PyTorch也許是（以前被稱為）Facebook對世界最有用的貢獻(xiàn)。
當(dāng)我決定將我的（數(shù)據(jù)）管線建立在PyTorch，而不是Keras和Tensorflow上時，這有點像拋硬幣，但很高興我選擇了PyTorch?！?/span>Lecun對此的回應(yīng)是：“盡管我很想宣稱PyTorch是Meta對世界最有用的貢獻(xiàn)，但它不是。Facebook和WhatsApp對整個世界來說是才是用處巨大的。”

OpenCV創(chuàng)始人Gary Bradski也@了Lecun:“PyTorch更像是一種開發(fā)者的語言——開發(fā)速度第一，并不是為了在某一類特定硬件上的速度而構(gòu)建的（在任何情況下外人都無法使用），較少憑借plumbing?！?/span>也有通過實踐感同身受的。

“我使用Tensorflow近5年了，但2個月前我開始使用PyTorch。我不得不決定用PyTorch重寫我們公司的所有模型，（它的）開發(fā)時間和靈活性都在另一個層次上?！?/span>加持了Lecun的Buff，PyTorch似乎更加鮮亮了起來。不過，盡管PyTorch看起來勢不可當(dāng)，作者還是對PyTorch的缺陷進(jìn)行了較客觀的評價，包括與Tensorflow的對比。“Tensorflow擁有更好的基礎(chǔ)設(shè)施部署，以及對更多編程語言的支持。”在作者看來，這些是PyTorch目前尚不可及的。下附文章的全文翻譯。

PyTorch更容易使用，受到更多開發(fā)人員的喜愛
（技術(shù)）教派戰(zhàn)爭在科技領(lǐng)域再正常不過。無論是爭論不同的操作系統(tǒng)、云廠商，或者是深度學(xué)習(xí)框架的利弊，還是其他什么。只要幾杯酒下肚，事實往往會被撂在一旁，所有人都開始為自己的技術(shù)而戰(zhàn)，好像它是圣杯一樣。只要想想關(guān)于IDE的無休止的討論就知道了。有些人喜歡VisualStudio，有些人使用IntelliJ，還有些人使用Vim。喜歡什么樣的文本編譯器因個性而異，這將會是一場永無止境而帶有半諷刺意味的爭論。類似的戰(zhàn)爭似乎正在圍繞PyTorch和TensorFlow展開，兩個陣營都有大量的支持者，兩個陣營也都有很好的論據(jù)來說明為什么他們最喜歡的深度學(xué)習(xí)框架可能是最好的。雖然如此，但數(shù)據(jù)說明了一個相當(dāng)簡單的事實。到目前為止，TensorFlow是最廣泛的深度學(xué)習(xí)框架。它每個月在StackOverflow上得到的問題幾乎是PyTorch的兩倍。另一方面，TensorFlow從2018年左右開始增長停滯。PyTorch的吸引力則一直保持穩(wěn)步增長，直到這篇文章發(fā)表的當(dāng)天。為了完整起見，我在下圖中同時將Keras納入比較。Keras和TensorFlow差不多是同時發(fā)布的。但是，正如人們所看到的，它在最近幾年里的表現(xiàn)很差。對此的簡要解釋是，對于大多數(shù)深度學(xué)習(xí)從業(yè)者來說，Keras有點簡單化，而且太慢。

雖然TensorFlow的StackOverflow流量可能不會在短期內(nèi)快速下降，但它確實在下降。而且有理由相信，這種下降在未來幾年會變得更加明顯，特別是在Python的世界。

PyTorch給人的感覺更Python
谷歌開發(fā)的TensorFlow是最早的深度學(xué)習(xí)框架之一。然而，它的第一個版本使用起來相當(dāng)麻煩，當(dāng)然，任何軟件的第一個版本往往都是如此。這就是為什么Meta開始開發(fā)PyTorch，它與TensorFlow提供相同的功能，但更加簡便易用。TensorFlow的運營者很快發(fā)現(xiàn)了這點，并在TensorFlow2.0中采用了PyTorch中許多最受歡迎的功能。一個好的經(jīng)驗是：你可以在TensorFlow中做任何PyTorch能做的事，只是要花兩倍的精力來編寫代碼。即使在今天，它也不夠直觀，而且感覺很不python。如果你喜歡用Python，PyTorch使用起來就會感覺非常自然。

PyTorch有更多可用的模型
許多公司和學(xué)術(shù)機(jī)構(gòu)都沒有建立大模型所需的大規(guī)模算力。然而，在機(jī)器學(xué)習(xí)上，規(guī)模就是王道。模型越大，其性能就越令人印象深刻。通過HuggingFace，工程師可以使用經(jīng)過訓(xùn)練和調(diào)整的大模型，只需幾行代碼就可以將它們納入到pipelines當(dāng)中。然而，85%的模型只能與PyTorch一起使用，這點令人吃驚。只有大約8%的HuggingFace模型是TensorFlow所獨有的，其余的可以同時用于兩個框架。

這意味著，如果你打算使用大模型，最好遠(yuǎn)離TensorFlow，或者投入大量的計算資源來訓(xùn)練自己的模型。

PyTorch更適合于學(xué)生和研究型的工作

PyTorch在學(xué)術(shù)界享有更多榮譽(yù)，這并非沒有道理，在每四篇研究論文中就有三篇使用PyTorch，即使是那些一開始使用TensorFlow的研究人員，他們大多數(shù)后來也遷移到了PyTorch上。

這樣的趨勢是驚人的，盡管谷歌在人工智能研究方面涉足相當(dāng)廣泛，并且主要通過TensorFlow。更引人注目的是，研究影響了教學(xué)，因此也決定了學(xué)生可能學(xué)到的東西。一個使用PyTorch發(fā)表了大部分論文的教授會更傾向于在教學(xué)中使用它。他們不僅在教學(xué)和回答有關(guān)PyTorch的問題時更加得心應(yīng)手，還可能對PyTorch的成功有更堅定的信念。因此，大學(xué)生們可能會得到比TensorFlow多得多的關(guān)于PyTorch的見解。而且，今天的大學(xué)生是明天的勞動者，你或許可以猜到這個趨勢將如何走向……

PyTorch的生態(tài)系統(tǒng)發(fā)展較快軟件框架只有成為生態(tài)系統(tǒng)的參與者時才顯得更加重要。PyTorch和TensorFlow都有相當(dāng)發(fā)達(dá)的生態(tài)體系，除了HuggingFace，還包括訓(xùn)練模型庫、數(shù)據(jù)管理系統(tǒng)，以及故障預(yù)防機(jī)制，等等。值得說明的是，目前而言，TensorFlow的生態(tài)系統(tǒng)比PyTorch略為發(fā)達(dá)。然而，請記住，PyTorch出現(xiàn)的時間較晚，卻在過去幾年里有相當(dāng)多的用戶增量。因此，可以預(yù)期，PyTorch的生態(tài)系統(tǒng)可能會伺機(jī)超過TensorFlow。

TensorFlow有更好的基礎(chǔ)設(shè)施部署
盡管TensorFlow的代碼可能很繁瑣，但一旦寫好，就比PyTorch容易部署得多。像TensorFlow Serving和TensorFlow Lite這樣的工具使得部署到云、服務(wù)器、移動和物聯(lián)網(wǎng)設(shè)備的工作可以在瞬間完成。另一方面，PyTorch在發(fā)布部署工具上一直是出了名的慢。雖然如此，它最近一直在努力縮小與TensorFlow的差距。盡管目前還很難預(yù)測，但PyTorch很有可能在未來幾年內(nèi)與TensorFlow的基礎(chǔ)設(shè)施部署相媲美，甚至超越。TensorFlow的代碼可能會在一段時間仍具有優(yōu)勢，因為在部署后切換框架的成本高企。然而，可以想象的是，新的深度學(xué)習(xí)應(yīng)用程序?qū)⒃絹碓蕉嗟厥褂肞yTorch編寫和部署。

Tensorflow不僅僅只有Python
TensorFlow并沒有死，它只是不像以前那樣流行了。其核心原因是：許多使用Python進(jìn)行機(jī)器學(xué)習(xí)的人正在轉(zhuǎn)向PyTorch。但Python并不是機(jī)器學(xué)習(xí)的唯一語言。它是機(jī)器學(xué)習(xí)的O.G.（通用品），這也是TensorFlow的開發(fā)者以Python為中心提供支持的唯一原因。如今，人們也可以通過JavaScript、Java和C++來使用TensorFlow，社區(qū)也開始開發(fā)對其他語言的支持，如Julia、Rust、Scala和Haskell，等等。另一方面，PyTorch是以Python為中心的——這就是為什么它給人的感覺是如此的python。它有一個C++的API，但對其他語言的支持還沒有TensorFlow的一半。可以想象的是，PyTorch將在Python中超越TensorFlow。另一方面，TensorFlow憑借令人印象深刻的生態(tài)系統(tǒng)、部署功能和對其他語言的支持，仍將是深度學(xué)習(xí)的重要參與者。在你的下一個項目中，是選擇TensorFlow還是PyTorch，主要取決于你對Python的喜愛程度。參考鏈接
https://thenextweb.com/news/why-tensorflow-for-python-is-dying-a-slow-death