自深度學(xué)習(xí)重新獲得公認(rèn)以來，許多機器學(xué)習(xí)框架層出不窮，爭相成為研究人員以及行業(yè)從業(yè)人員的新寵。從早期的學(xué)術(shù)成果 Caffe、Theano，到獲得龐大工業(yè)支持的 PyTorch、TensorFlow，許多研究者面對大量的學(xué)習(xí)框架不知該如何選擇？

Tensorflow / Keras 和 PyTorch 是迄今為止最受歡迎的兩個主要機器學(xué)習(xí)庫。TensorFlow 由谷歌團隊開發(fā)，于 2015 年發(fā)布。而 PyTorch 則由 Facebook 的團隊開發(fā)，并于 2017 年在 GitHub 上開源。

為了充分發(fā)揮不同機器學(xué)習(xí)框架的優(yōu)勢，許多機器學(xué)習(xí)從業(yè)者對不同框架進行了比較，通過對比優(yōu)缺點，以選擇最適合自己的框架。

在本文中，我們將從以下兩個方面對機器學(xué)習(xí)庫（PyTorch 1.8 和 Tensorflow 2.5）進行比較：

最新發(fā)行版本中的新增功能；

使用哪個以及為什么。

Tensorflow 2.x VS Pytorch 1.8

Tensorflow 2.x

TensorFlow 1 和 TensorFlow 2.x 之間有很多變化。第一個是 Tensorflow.js. 的發(fā)布。隨著 Web 應(yīng)用程序越來越占主導(dǎo)地位，在瀏覽器上部署模型的需求大大增加。借助 Tensorflow.js，你可以使用 Node 在瀏覽器中運行現(xiàn)有的 python 模型、重新訓(xùn)練現(xiàn)有的模型，并使用 Javascript 完全構(gòu)建和訓(xùn)練模型（不需要 python）。

Tensorflow 2.x 中的另一個版本是 Tensorflow Lite，一個輕量級庫，用于在移動和嵌入式設(shè)備上部署模型。這是因為移動和 Web 應(yīng)用程序是兩種最主要的應(yīng)用程序類型。

使用 Tensorflow Lite，你可以簡單地將現(xiàn)有模型轉(zhuǎn)換為「compressed flat buffer」，然后將 buffer 加載到移動設(shè)備或任何其他嵌入式設(shè)備中。這期間發(fā)生的主要優(yōu)化過程是將 32 位浮點值轉(zhuǎn)換成 8 位，這更適合于嵌入式設(shè)備（更少的內(nèi)存使用）。

此外還包括 Tensorflow Extended（TFX）的發(fā)布，它是用于部署生產(chǎn) ML pipeline 的端到端平臺。其在機器學(xué)習(xí)的 3 個最重要領(lǐng)域（web 應(yīng)用程序、移動應(yīng)用程序和生產(chǎn)管理）方面做得很好。

機器學(xué)習(xí)生產(chǎn) pipeline 仍需要大量研究和開發(fā)。TFX 可以應(yīng)對經(jīng)典的軟件生產(chǎn)挑戰(zhàn)，例如可擴展性、可維護性和模塊化。此外，它還可以幫助解決機器學(xué)習(xí)的特定挑戰(zhàn)，例如持續(xù)在線學(xué)習(xí)、數(shù)據(jù)驗證，數(shù)據(jù)管理等。

PyTorch 1.8

與 Tensorflow Lite 相似，PyTorch 改進了其現(xiàn)有的 Pytorch Mobile。該框架可以量化、跟蹤、優(yōu)化和保存適用于 Android 和 iOS 的模型。此外還發(fā)布了 Pytorch Lite Interpreter 的原型，該原型可減小移動設(shè)備上二進制運行時的大小。

此外，還通過更具體的錯誤處理和 pipeline 并行為分布式訓(xùn)練提供了更多支持。Pytorch Profiler 用于分析 APP、模型的執(zhí)行時間、執(zhí)行流程、內(nèi)存消耗等。

盡管 Pytorch lightning 不是 PyTorch 1.8 的一部分，但還是值得一提。Pytorch lightning 已發(fā)布，可以使編碼神經(jīng)網(wǎng)絡(luò)更加簡單。可以將其視為 Pytorch 的 Keras，使用廣泛，其中的原因可歸結(jié)為 Keras 顯著的改進了 Tensorflow，因為它使實現(xiàn)模型變得更加容易和快捷。在 Pytorch 中，Pytorch lightning 起到了相同的作用。

該如何選擇？

從本質(zhì)上講，這兩個庫都是相當(dāng)不錯的，它們在性能和功能上非常接近?？偟膩碚f，兩個庫之間的編碼風(fēng)格有所不同。

PyTorch 以其 OOP（面向?qū)ο?a target="_blank">編程）風(fēng)格而聞名。例如，當(dāng)創(chuàng)建自定義模型或自定義數(shù)據(jù)集時，你很可能會創(chuàng)建一個新類，該類繼承默認(rèn)的 PyTorch 庫，然后在進行代碼調(diào)整。盡管 OOP 以某種方式為代碼提供了一種結(jié)構(gòu)，但就代碼行數(shù)而言，會使代碼變得很長。

另一方面，當(dāng)使用 Tensorflow 時，你很可能會使用 Keras。例如在進行 Kaggle 比賽時（監(jiān)督學(xué)習(xí)圖像分類、目標(biāo)檢測、圖像分割、NLP 等任務(wù)），可以發(fā)現(xiàn) Keras 的代碼實現(xiàn)比 PyTorch 短。作為初學(xué)者 / 中級人員，這是非常不錯的選擇，因為你不必花費大量時間閱讀和分解代碼行。

在某些情況下，需要在特定的機器學(xué)習(xí)領(lǐng)域中尋找特定的模型。例如，當(dāng)進行目標(biāo)檢測比賽時，想要實現(xiàn) DETR（Facebook 的 Data-Efficient transformer），結(jié)果發(fā)現(xiàn)大部分資源都是用 PyTorch 編寫的，因此在這種情況下，使用 PyTorch 更加容易。

另外，PyTorch 的代碼實現(xiàn)更長，因為它們涵蓋了許多底層細節(jié)。這既是優(yōu)點也是缺點。當(dāng)你是初學(xué)者時先學(xué)習(xí)低層級的細節(jié)，然后再使用更高層級的 API（例如 Keras）非常有幫助。但是，這同時也是一個缺點，因為你會發(fā)現(xiàn)自己迷失于許多細節(jié)和相當(dāng)長的代碼段中。因此，從本質(zhì)上講，如果你的工作期限很緊，最好選擇 Keras 而不是 PyTorch。

原文鏈接：https://towardsdatascience.com/pytorch-vs-tensorflow-2021-d403504d7bc3

文章轉(zhuǎn)自機器之心

（版權(quán)歸原作者所有，侵刪）

編輯：jq