深度学习发展至今，深度学习的框架也出现了百花齐放的局面，16年出世风靡世界的TensorFlow和稍晚一年却隐隐有盖住其风头的Pytorch，现在两个的地位有什么变化吗？
回答链接：https://www.zhihu.com/question/452749603作者：思想火龙果
来源链接：
https://www.zhihu.com/question/452749603/answer/1819357374pytorch统治学术圈。现在各大顶会开源代码没有一丝丝的tensorflow2.x，就连谷歌家自己的论文也是只有torch和jax。零零星星一些tf1的开源代码。tensorflow2.x难用吗？真不难用的，基本就是在用keras，tf.data pipeline 和 tf.distribute 用起来真的省心又快。问题就是现在tf2没人用啊，也不是不好用，就是你有的pytorch也有，pytorch用得已经好好的了为啥还要换呢？然后你又再搞一个新库，jax，而且还是用tensorflow写的，而且还不是像keras，sonet一样能跟tf混着用的 ，然后google research开源代码要不是pytorch就是jax，连自家都不用别人会用么。谷歌真的挺迷惑的，把keras合并了不去好好搞keras推广keras，可能再过两年 import tensorflow as tf 直接报warning “tensorflow is deprecated, please use pytorch instead”
作者：小小将
来源链接：
https://www.zhihu.com/question/452749603/answer/1822694849变化太大了，今年面试的实习生，当问他们常用的深度学习框架时，他们清一色的选择了：PyTorch。（1）PyTorch的易用性更好（当一个框架本身能衍生很多上层框架时，你就能知道它本身是多么不友好了，说的就是TF），而且生态已经起来了，大部分论文开源都是用PyTorch；（2）TF2看起来并不太成功，反而破坏TF1的生态。TF1和TF2往往混杂在一起，让人摸不着头脑。（3）关于大家最担心的部署优化问题，其实目前PyTorch也在不断提升这块的劣势，目前Torch->ONNX->TensorRT已经相对成熟了，其他的端侧框架如ncnn也支持torch了。当然动态图比静态图确实要多踩一点坑，但带来的可能是模型迭代效率的提升。
（4）关于分布式训练，TensorFlow可能优势更大，但可能大部分人最多跑个单机多卡就够了，所以性能上不会差距太大，而且分布式训练还有很多第三方框架来支持比如horovod。而且本身PyTorch自带的DDP也不差。其实我从16年开始接触深度学习，最早学习的框架是theano，当TensorFlow出来后，theano的使用者就慢慢转向了TensorFlow，到19年我又开始转向PyTorch。每次转变后，我只能说一句话：真香。作者：夕风Twilighty
来源链接：
https://www.zhihu.com/question/452749603/answer/1823164065全球范围看，经过16-19年这三年的发展，PyTorch在学术圈的「垄断」地位基本已经站稳。这一方面得益于PyTorch一开始主打的动态建图，便于实验室的学生们快速迭代模型，试验想法是否work；另一方面也来自于PyTorch吸收了TF 1.x版本中的某些优点，doc做的也不错，便于初次接触机器学习和深度学习的新人上手，这一点的重要性往往容易被忽视。
TensorFlow在国内目前处在一个相对尴尬的境地，TF 1.x系列面世较早，2015年以及之前就深耕深度学习的程序员和在校同学，大部分用框架时都会从TF（与TF的雏形，即更早的theano）入手。因此在学术界、工业界都有很深的积淀，工业界由于项目更「重」，牵一发而动全身（或者应该说屎山太多），因此目前很多项目仍然停留在TF 1.x（1.1x）上面。因此要说TF快凉了，也不客观。但TF目前面临一个比较尴尬的问题，Google强推TF 2.0版本，但TF 1.x和2.0版本之间的API差异实在不小，导致doc的阅读成本和版本适配成本都相当高。至于学术界，PyTorch在国内学校也广受欢迎，TF 2.0我知道有一小部分实验室在用。但总的来说 TF 2.0在这方面相对于PyTorch确实没有优势，实验室刷metric的场景下，大家也基本没有太多机会发挥出TF在分布式上的一些buff。而与此同时，PyTorch的生态建构肉眼可见地渐入佳境，TorchVision和TorchText两个库都做的相当漂亮，整体Pipeline的舒适度谁用谁知道。TensorFlow显然也明白自己要补齐什么短板，Keras可以认为就是这样的尝试吧，但Keras的封装做的让人感觉总差点味道。至于MXNet、PaddlePaddle之流，在国内的「市场」确实很小。PyTorch目前的确在蚕食TF的天地，如果在模型部署方面有更稳健的突破（包括对底层C++的某些开放和优化），那么TF确实要做出一些大的改变来应对了。
推荐阅读：
漫谈VAE和VQVAE，从连续分布到离散分布
Huggingface BERT源码详解：应用模型与训练优化
在错误的数据上，刷到 SOTA 又有什么意义？
点击下方卡片，关注公众号“机器学习算法与自然语言处理”，获取更多信息
