TensorFlow&Pytorch哪家强？
验“金”室
随着深度学习技术的不断发展，越来越多的机器学习框架映入开发者的眼帘。神经网络的研发一般包括训练和测试两个阶段，在这两个阶段中，深度学习的开发者往往将自己比作“炼丹师”：在训练阶段中，开发者将训练数据和神经网络模型等“原料”加入不同的机器学习框架“炼丹炉”中，使用GPU或者CPU作为“三昧真火”不断提炼煅烧，最后所得到的“灵丹”就是神经网络模型的参数。机器学习框架作为整个炼制过程的载体，无疑是极为重要的。
目前，已经涌现出了许多优秀的机器学习框架，如TensorFlow、Pytorch、Keras、Caffe等。而在这些框架中，“炼丹师”们使用最为广泛的当属TensorFlow和Pytorch。
一、TensorFlow
TensorFlow是由Google大脑小组（隶属于Google机器智能研究机构）的工程师们研发出的用于机器学习和深度神经网络方面的研究工具，优秀的通用性使其在别的计算领域也拥有良好的表现。TensorFlow自2015年发布以来收获了良好的口碑，在不断完善自身的同时，也搭建了完整的生态体系。在机器学习的训练阶段，TensorFlow实现了对Python、Swift以及JavaScript的支持；在部署阶段，TensorFlow Serving、TensorFlow Lite以及TensorFlow.js可以满足不同平台部署的需求。
从信息流动层面看，TensorFlow是一个采用数据流图（Data Flow Graphs）用于数值计算的开源软件库（如图1所示）。节点（Nodes）在图中既表示数学操作，也表示数据输入（Feed In）的起点/输出(Push Out)的终点，还可以是写入持久变量（Persistent Variable）的终点。而图中的线（Edges）则表示在节点间相互联系的多为数据数组，即张量（Tensor）。张量从图中流过的直观图形是这个工具取名为“TensorFlow”的原因。
图1 数据流示意图
在我们使用TensorFlow的过程中，数据是以Tensor的形式进行传递的。TensorFlow程序往往被划分为构建阶段和执行阶段。在构建阶段，节点所需要执行的操作（Operation）都会以图的方式进行呈现；在执行阶段，我们使用会话（Session）去执行图中的操作。
为了充分利用计算机资源，TensorFlow可以自动检测可用的CPU/GPU，并优先使用GPU来实现所需执行的操作。值得注意的是，如果有多个GPU，除了第一个GPU，其他的GPU需要指定才能够执行相应的操作。
Tensorflow具有三大特性：灵活性、可移植性、多语言支持。
其灵活性主要表现在可以自己定义“上层库”，定义顺手的符合操作；
灵活的结构可以在多种不同的平台上进行运行；
同时还支持多种语言，用户可以根据自己的需求，使用Python或者C++来构建graphs。
二、Pytorch
Pytorch是由Facebook的人工智能小组所开发的基于Torch的Python开源机器学习库，能够用于自然语言处理等应用程序。在支持动态神经网络的同时，还能实现GPU加速，这一点是现在很多主流框架如TensorFlow都不支持的。Pytorch还提供两个高级功能：具有强大的GPU加速的张量计算（如Numpy）、包含自动求导系统的深度神经网络。除了Facebook之外，Twitter、GMU、Salesforce等机构也都采用了Pytorch。
Pytorch的设计理念是直观易懂，这就意味着它比TensorFlow更加贴近Python哲学：尽量找一种，最好是唯一一种明显的解决方案。当我们执行一行代码时，Pytorch会忠实地执行，我们也可以快速定位到出错代码。许多TensorFlow的使用者表示，在使用TensorFlow进行调试时，由于难以理解底层的实现，在Debug阶段耗费了相当长的时间。
Pytorch最引以为傲的特性当属动态计算，能够方便程序员进行设计和调试，提升开发者的编程体验。
动态计算是指程序按照我们编写的命令进行执行，而静态计算则会在编译执行时优先生成神经网络结构，再执行相应的操作。动态计算的本质其实是动态图机制，每次运行之前都会重新构建一个新图。而静态图机制的代表框架TensorFlow则是一旦构建好图，就会多次地运行它。静态图和动态图的区别如图2所示。
图2 静态图和动态图的区别
在优化方面，静态图框架可以在其运行之前进行优化。如图3所示，自身所构建的图会被优化成具有复合操作的等价图。
图3 静态图的优化
在序列化方面，Pytorch主要采用两种方法序列化以及保存模型：第一种方法只存取模型的参数；第二种方法则将整个模型都保存下来，读取的时候也整个读取。如果将整个模型都保存了下来，并且在过程中使用固定的目录结构，那么代码在进行重构时会很容易出现问题。同时，因为图的构建和执行交织在一起，所以时刻需要最新的代码。相反，对于静态图机制而言，一旦图构建好，就可以进行序列化且无需构图代码来运行它。
三、发展趋势
静态图和动态图机制各有优劣，Pytorch和TensorFlow的发展轨迹如今也交汇到了一起，互相融合、渗透。Pytorch正不断地添加静态特性，而TensorFlow也在发展自己的动态特点。
譬如，TensorFlow Fold通过动态批合（Dynamic Batching）的方法快速构建动态图。
动态批合的重要思想是，给一定数量的计算图，将图中具有相同深度的操作实例批合到一起。通过这种方法，可以在一个静态图上对TreeRNN的不同解析树做处理。不仅如此，在1.7版本的TensorFlow中还更新了新的功能eager execution，这个功能运行用户可以在不创建静态图的情况下运行TensorFlow代码。
与之相对应，Pytorch也通过支持ONNX等标准增强了自身的静态属性。
每个框架都有自己独特的特性，从开发者的角度看，使用者可以根据自己的喜好和需求选择使用的框架。从开发工具的角度看，一个框架不可能垄断整个市场，只有不断地完善，才能在全球市场中保持自身的竞争力。从数据层面上看，目前TensorFlow的依旧保持着较高的市场份额，这得益于Google前期大量的宣传以及投入，但是Pytorch大有迎头赶上之势。
图4来自康奈尔大学Horace He给出的研究报告，展示了在各大顶级会议上，提及Pytorch和提到过TensorFlow或Pytorch的论文之间的比率。所有线条的斜率都为正。
图4 Pytorch在研究领域的占比
为了更加直观地感受Pytorch在研究领域所迸发的强大活力，我们对比了Pytorch和TensorFlow在2018年和2019年各大顶级会议的论文数量（见表1）。
表1 Pytorch和TensorFlow在2018-2019年
各大顶级会议论文数量
从表1可以直观地看到，从2018年到2019年，Pytorch在论文数量上实现了反超，而且最低的涨幅也达到了192%，可见发展速度之迅猛。
研究者偏爱Pytorch的原因不外乎以下三点：
直观易懂。Pytorch属于轻量级，开发者也无需调整编码风格，也更容易调试。
API简洁。相比Pytorch，TensorFlow的API十分混乱，并且同一功能的接口在不同子模块下可能存在多个版本，版本控制极差。
研究者无需考虑部署等问题，只需要实现并验证自己的模型猜想。
不过，在生产方面，TensorFlow仍然处于主导的地位。
一方面，生产和研究在需求上有较大的分歧。研究多以模型验证为主，数据集的数量以及对硬件的要求并没有像工业生产那样那么高。
另一方面，生产多追求性能的稳定，对新技术的渴求并没有那么地强烈，同时注重风险的规避，这一点在金融业尤为突出。在解决方案的部署上，生产环境有许多限制，如部分公司的服务器在运行Python时会增加额外的运营成本；在移动设备和IoT设备上部署机器学习模型时需要面对模型格式转换的问题，而在部署完成之后，还需要考虑后续的更新以及切换等维护问题。针对上述问题，TensorFlow全部都提出了解决方案，使其在工业生产依旧保持着较大的影响力。
未来，不论TensorFlow和Pytorch这两种框架如何发展，作为机器学习的研究者，我们应该关注的应当是自身的研究而不是在用于研究的工具上。无论是使用TensorFlow还是Pytorch，只要能够以符合我们心中预期条件的方式获取到最终结果，就足够了。当然，笔者也由衷地希望能涌现出更多更优秀的框架，使上游的生态愈加丰富，让开发者在进行研究或者生产操作时能更加如鱼得水。
附录
1. Tensorflow官网
http://tensorflow.google.cn/
2. Pytorch中文文档
https://pytorch-cn.readthedocs.io/zh/latest/
3.https://thegradient.pub/state-of-ml-frameworks-2019-pytorch-dominates-research-tensorflow-dominates-industry/
4. 斯坦福大学面向视觉识别的卷积神经网络公开课（CS231n）
更多精彩内容
FCC30+
长按左边二维码
关注我们不迷路