你用PyTorch还是用TensorFlow？
对于不同人群可能有不同的答案，科研人员可能更偏爱PyTorch，因其简单易用，能够快速验证idea来抢占先机发论文。
虽然TensorFlow的差评如海，甚至有用户专门注册一个GitHub账号开个issue来骂TensorFlow，但TensorFlow在工业界大哥的地位PyTorch仍然无法撼动。
所以，进入2022年，你决定用PyTorch还是TensorFlow？
旷日持久的甜咸之争
早在2015年11月9日，TensorFlow依据阿帕奇授权协议（Apache 2.0 open source license）就开放了源代码，其前身是谷歌的神经网络算法库DistBelief。TensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现。
到了2017年1月，由Facebook人工智能研究院（FAIR，现在是MAIR）基于Torch推出了PyTorch，主要提供两个高级功能：
- 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
最近Reddit上关于TensorFlow和PyTorch的讨论又引起了网友的关注。
题主表示，两个框架和他们对应的两种生态系统发展的都是如此迅速，每个阵营都有自己的狂热支持者，也许是时候分析一下他们到底有什么不同了。
目前来说，PyTorch仍然是「研究型」框架，TensorFlow仍然是「工业型」框架，他们之间的争论主要可以归结为三个因素：模型可用性、模型部署、软件生态。
模型可用性
随着深度学习领域的逐年扩大，模型也变得越来越大，从头开始训练sota模型的成本太高，微调已经成为新主流。所以公开的sota模型采用什么框架对于后续的社区生态来说很重要。
在模型可用性方面，PyTorch 和 TensorFlow 分歧很大，PyTorch 和 TensorFlow 都有自己的官方模型存储库，但从业者可能希望利用多个来源的模型。
目前，PyTorch明显在研究领域已经赢麻木了，大部分科研人员都在用，并且大多数出版论文和开源模型都在使用 PyTorch。
将过去几年八种顶级研究期刊的数据汇总以后可以看到，PyTorch越来越普遍，并且在短短几年内，论文中的使用率从大约 7% 增长到近 80%。
虽然2019 年发布的 TensorFlow 2 中解决了大部分TensorFlow残存的问题，但 PyTorch 的发展势头足以让它维持自己在研究领域的地位，至少从社区的角度来看是这样。
在Papers with Code网站上的论文中，大部分都使用的是PyTorch框架，并且还在逐渐上升，TensorFlow的市场份额在逐年下降。在过去的三个月里，总共创建了 4,500 个存储库中，其中60%使用 PyTorch 实现，只有11%使用 TensorFlow。
虽然研究主流是PyTorch，但也有例外，Google、DeepMind显然都用TensorFlow来进行研究，OpenAI的一些旧的baseline也都是TensorFlow，直到2020年才全换到PyTorch。
模型部署
如果不能投入生产使用，那训练性能再好的模型都毫无意义。
所以，如何更有效率地完成模型部署至关重要，尤其是随着微服务业务模型的日益普及，高效的部署有可能决定以AI为核心竞争力的公司的成败问题。
TensorFlow 自成立以来一直是面向部署的应用程序的首选框架，TensorFlow Serving和TensorFlow Lite可让用户轻松地在云、服务器、移动设备和 IoT 设备上进行部署。
各大公司在招聘深度学习工程师时，大部分都要求掌握TensorFlow框架。
从部署的角度来看，PyTorch 过去非常乏善可陈，但近年来它也一直致力于缩小这一差距，例如接连推出的TorchServe和PyTorch Live提供了本地部署工具，但仍然只针对移动端，许多部署工具还处于起步阶段。
所以部署便捷性上，TensorFlow完胜。
生态系统
目前深度学习已不再局限于高度受控环境中的特定用例，也就是说，AI可能应用在任何环境，移动端、手机端、网页端都有可能，因此一个具有更大生态系统的框架就显得很重要，它可以促进移动、本地和服务器应用程序的开发。
此外，专用机器学习硬件，例如 Google 的Edge TPU的出现则意味着从业者需要使用可以与该硬件很好地集成的框架。
PyTorch和TensorFlow的相关生态都做得很好。
PyTorch的Hub除了HuggingFace，还有官方的PyTorch Hub，包括用于音频、视觉和 NLP 的模型。它还有一些生成模型，包括用于生成名人面孔的高质量图像的GAN。
SpeechBrain是 PyTorch 的官方开源语音工具包，支持 ASR、说话人识别、验证和分类等。如果您不想构建任何模型，而是想要一个具有自动章节、情感分析、实体检测等功能的即插即用工具，也是十分方便！
PyTorch Lightning有时被称为 PyTorch 的 Keras，可以简化 PyTorch 中模型工程和训练过程，自 2019 年首次发布以来，已经逐渐成熟。Lightning 以面向对象的方式处理建模过程，定义了一些可重用和可跨项目使用的共享组件。
还有分布式训练工具TorchElastic，可管理工作进程并协调重启行为，以便用户可以在计算节点集群上训练模型，这些节点可以动态变化而不会影响训练，还可防止因服务器维护事件或网络问题等问题而导致的宕机，并且不会因此丢失训练进度。
TorchX是一个用于快速构建和部署机器学习应用程序的 SDK。TorchX 包括 Training Session Manager API，可将分布式 PyTorch 应用程序启动到受支持的调度程序上。它负责启动分布式作业，同时原生支持由 TorchElastic本地管理的作业。
在TensorFlow阵营，TensorFlow Hub是一个经过训练的机器学习模型库，可以进行微调，用户只需几行代码就可以使用像 BERT 这样的模型，Hub中包含适用于不同用例的 TensorFlow、TensorFlow Lite 和 TensorFlow.js 模型，模型可用于图像、视频、音频和文本问题。
TensorFlow Extended是 TensorFlow 用于模型部署的端到端平台，用户可以加载、验证、分析和转换数据；训练和评估模型；使用 Serving 或 Lite 部署模型；然后跟踪工件及其依赖项。TFX 可以与 Jupyter 或 Colab 一起使用，并且可以使用 Apache Airflow / Beam或 Kubernetes 进行编排。TFX 与Google Cloud紧密集成，可与 Vertex AI Pipelines 一起使用。
MediaPipe是用于构建多模式、跨平台应用机器学习管道的框架，可用于人脸检测、多手跟踪、对象检测等。该项目是开源的，并绑定了多种语言，包括 Python、C++ 和 JavaScript。
TensorFlow.js是一个用于机器学习的 JavaScript 库，允许您使用 Node.js 在浏览器和服务器端训练和部署模型。
TensorFlow Cloud可让用户将本地环境连接到 Google Cloud。提供的 API 能够弥补从本地机器上的模型构建和调试到 GCP 上的分布式训练和超参数调整之间的差距，而无需使用 Cloud Console。
Google Colab是一个基于云的笔记本环境，与 Jupyter 非常相似。将 Colab 连接到 Google Cloud 进行 GPU 或 TPU 训练很容易，并且PyTorch 也可以与 Colab 一起使用。
三项对此完，这两个框架可以说是神仙打架了，各有优劣。
但评论区也有网友表示，我一只脚踏入工业界，但另一只脚还在学术界，不过我在教课的时候还是选择PyTorch，因为TF太不可靠了，接口总是变，尤其是从TF1迁移到TF2的时候。
并且在公司也同样使用PyTorch，因为灵活性更重要。
如果看完上面的讨论，你还不知道怎么选择适合自己的框架，那英雄联盟中的一位英雄台词或许能对这场甜咸之争带来终极答案。
要问我更喜欢什么工具，未免太幼稚了，但我的锤子是我最喜欢的。
