pytorch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”
小小将（华中科大 工学硕士）回答：
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。
我个人认为几个原因导致地位逆转：
（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。
声明：我的观察只限于在比较卷的CV领域。
Yulong（机器学习优秀答主)回答：
很尴尬的是，业界大多数支撑搜广推场景的模型，还是用tensorflow，而且恶心的是还是tensorflow 1.x，而且更更恶心的是各家攻城狮早期就与master分叉了，开始自己魔改tf，给这个屎山代码打上各种补丁。这些陈年老码已经稳定运行上线了，谁也不敢说从头开始，用pytorch汰换掉。这样搞出线上故障谁背的起？
每天是身在tf营，心在torch。怀念简单的model写法，怀念直接写个if而不需要用诡异的tf.cond。不要管什么variable scope，也不要担心是否真的在train还是eval……pytorch团队赶紧支持大规模kv partition variable，赶紧开发serving部署啊，快解民于倒悬啊！
遗民泪尽tf里，南望torch又一年(ToT)/~~~
叶小飞（北美奔驰研究院 高级深度学习工程师）回答：
先说结论，2021年学术圈 Pytorch会继续称霸天下，而Tensorflow引以为傲的工业界地位会进一步衰退，Pytorch会借助ONNX所带来的落地能力在工业界逐渐抢走主导地位。这番结论并不是通过网上的数据得出的，而是通过我在工业界两次落地的经历得出的。
我18年中旬的时候用的是tensorflow1.x落地了手机端项目（用的是tf->snpe)， 那个时候pytorch在落地上的支持还不够好，很多layer不支持，customization也比较复杂，而tensorflow落地框架选择有很多，例如tensorLite, TensorRT, ncnn, snpe等等。虽然落地用了TF，但是业余写学术论文还是pytorch, TF唯一被选择的理由就是它方便在移动端落地。
等到了20年初我落地项目的时候，pytorch良好的生态环境促进了它在移动端落地的进展，我们组全部改用pytorch，放弃了tf 1.x , 落地选择了pytorch->ONNX->tensorRT, 整个框架转化过程十分丝滑，prototyping的时候也不需要面对让人头疼的tf graph. 大概这个时候我就意识到，tensorflow又丢了一座城。冷静下来，分析了下原因，为什么tf先声夺人，却被pytorch后来者居上渐渐抢走了一切？我觉得大概有以下几个原因：
1）tf 1.x最大的劣势是它混乱的api设计以及难以debug的静态图机制，这是让他们在学术圈丢掉地位的根本原因。同一个功能你能用tf.slim, tf.layer, tf.keras同时实现，它们底层还互相“串通”，写起来你不狼藉谁狼藉？debug graph的痛我想也不需要在这里细说，搞过的都懂，最怕建立graph的时候不报错，一喂数据各种崩溃.....
2) 无论怎样，tf1.x在工业落地部署上还是可圈可点的，直到tf 2.x的出现。它想往pytorch靠，可是把自己的优势部分也给搞没了。为什么这么说？首先，习惯tf1.x的用户会发现2.x的使用方法改头换面，这种巨大的改变会让之前习惯了静态图的用户难以接受。第二，很多公司已经用tf1.x部署好了落地模型，现在忽然换成了2.x, 为了产品稳定一定不会更换。这就导致了本来改跟着潮流过渡到新版的人群还停留在原地，渐渐它就会失去自身的生态圈活力。各位看一下，之前在公司里用1.x的有几个换到2去呢？
3）Pytorch这两年在落地部署上成熟了很多，通过pytorch->ONNX->ncnn/tensorRT可以满足大部分移动端需求。
4）当年那批用tf的学生毕业了入了工业界，所以公司的人都在用tf. 现在的学生都用pytorch, 等毕业了......
我个人认为，TF有种一子落错，满盘皆输的趋势，这种趋势已经比较难改变了。
文章转载自知乎问答，著作权归属原作者，本文仅作学术分享，侵删！
原文地址：
https://www.zhihu.com/question/452749603
