选自towards data science
作者：Mostafa Ibrahim
机器之心编译
编辑：陈萍
PyTorch（1.8）和Tensorflow（2.5）最新版本比较。
自深度学习重新获得公认以来，许多机器学习框架层出不穷，争相成为研究人员以及行业从业人员的新宠。从早期的学术成果 Caffe、Theano，到获得庞大工业支持的 PyTorch、TensorFlow，许多研究者面对大量的学习框架不知该如何选择？
机器学习框架。
Tensorflow / Keras 和 PyTorch 是迄今为止最受欢迎的两个主要机器学习库。TensorFlow 由谷歌团队开发，于 2015 年发布。而 PyTorch 则由 Facebook 的团队开发，并于 2017 年在 GitHub 上开源。
为了充分发挥不同机器学习框架的优势，许多机器学习从业者对不同框架进行了比较，通过对比优缺点，以选择最适合自己的框架。
在本文中，我们将从以下两个方面对机器学习库（PyTorch 1.8 和 Tensorflow 2.5）进行比较：
- 最新发行版本中的新增功能；
- 使用哪个以及为什么。
Tensorflow 2.x VS Pytorch 1.8
Tensorflow 2.x
TensorFlow 1 和 TensorFlow 2.x 之间有很多变化。第一个是 Tensorflow.js. 的发布。随着 Web 应用程序越来越占主导地位，在浏览器上部署模型的需求大大增加。借助 Tensorflow.js，你可以使用 Node 在浏览器中运行现有的 python 模型、重新训练现有的模型，并使用 Javascript 完全构建和训练模型（不需要 python）。
Tensorflow 2.x 中的另一个版本是 Tensorflow Lite，一个轻量级库，用于在移动和嵌入式设备上部署模型。这是因为移动和 Web 应用程序是两种最主要的应用程序类型。使用 Tensorflow Lite，你可以简单地将现有模型转换为「compressed flat buffer」，然后将 buffer 加载到移动设备或任何其他嵌入式设备中。这期间发生的主要优化过程是将 32 位浮点值转换成 8 位，这更适合于嵌入式设备（更少的内存使用）。
此外还包括 Tensorflow Extended（TFX）的发布，它是用于部署生产 ML pipeline 的端到端平台。其在机器学习的 3 个最重要领域（web 应用程序、移动应用程序和生产管理）方面做得很好。机器学习生产 pipeline 仍需要大量研究和开发。TFX 可以应对经典的软件生产挑战，例如可扩展性、可维护性和模块化。此外，它还可以帮助解决机器学习的特定挑战，例如持续在线学习、数据验证，数据管理等。
PyTorch 1.8
与 Tensorflow Lite 相似，PyTorch 改进了其现有的 Pytorch Mobile。该框架可以量化、跟踪、优化和保存适用于 Android 和 iOS 的模型。此外还发布了 Pytorch Lite Interpreter 的原型，该原型可减小移动设备上二进制运行时的大小。此外，还通过更具体的错误处理和 pipeline 并行为分布式训练提供了更多支持。Pytorch Profiler 用于分析 APP、模型的执行时间、执行流程、内存消耗等。
尽管 Pytorch lightning 不是 PyTorch 1.8 的一部分，但还是值得一提。Pytorch lightning 已发布，可以使编码神经网络更加简单。可以将其视为 Pytorch 的 Keras，使用广泛，其中的原因可归结为 Keras 显著的改进了 Tensorflow，因为它使实现模型变得更加容易和快捷。在 Pytorch 中，Pytorch lightning 起到了相同的作用。
该如何选择？
从本质上讲，这两个库都是相当不错的，它们在性能和功能上非常接近。总的来说，两个库之间的编码风格有所不同。
PyTorch 以其 OOP（面向对象编程）风格而闻名。例如，当创建自定义模型或自定义数据集时，你很可能会创建一个新类，该类继承默认的 PyTorch 库，然后在进行代码调整。尽管 OOP 以某种方式为代码提供了一种结构，但就代码行数而言，会使代码变得很长。
另一方面，当使用 Tensorflow 时，你很可能会使用 Keras。例如在进行 Kaggle 比赛时（监督学习图像分类、目标检测、图像分割、NLP 等任务），可以发现 Keras 的代码实现比 PyTorch 短。作为初学者 / 中级人员，这是非常不错的选择，因为你不必花费大量时间阅读和分解代码行。
在某些情况下，需要在特定的机器学习领域中寻找特定的模型。例如，当进行目标检测比赛时，想要实现 DETR（Facebook 的 Data-Efficient transformer），结果发现大部分资源都是用 PyTorch 编写的，因此在这种情况下，使用 PyTorch 更加容易。另外，PyTorch 的代码实现更长，因为它们涵盖了许多底层细节。这既是优点也是缺点。当你是初学者时先学习低层级的细节，然后再使用更高层级的 API（例如 Keras）非常有帮助。但是，这同时也是一个缺点，因为你会发现自己迷失于许多细节和相当长的代码段中。因此，从本质上讲，如果你的工作期限很紧，最好选择 Keras 而不是 PyTorch。
原文链接：https://towardsdatascience.com/pytorch-vs-tensorflow-2021-d403504d7bc3
