原作者：David 9
原文發於作者個人部落格，點選檢視原文，掘金已獲得轉載授權。再次感謝作者。
一年一度的PyCon大會上週在俄亥俄
舉行，youtube上早早放出了talk列表。雖然PyCon聚焦Python語言本身，但是關於資料科學和AI的talk也不在少數。
David 9感興趣talk之一就是來自PyLadies的Stephanie Kim關於PyTorch介紹：
太多小夥伴問David 9 哪個深度學習框架好？用TensorFlow還是PyTorch好 ?
現在是時候結合這個talk給大家講清楚了。
首先，框架各有自己的優勢，關鍵是你專案需要和個人喜好：
如果你的專案和RNN強相關，並且希望寫RNN模型的時候更輕鬆敏捷，或者，你是從事科學研究的人員，那麼PyTorch更適合你； 如果你專案定位是一個穩定產品（TensorFlow Serving），或者你注重高效訓練，並且想把模型移植到輕量級移動端（TensorFlow Lite）, 那麼選擇Tensorflow更合適。
如果以上沒有一個是“剛需”，那麼如果你的性格和Facebook的“Move fast and break things”很像，你喜歡隨意搞壞東西, 隨意地除錯程式碼，那麼你最好選PyTorch，因為PyTorch就是Facebook打造的。
並且，在深度學習界，Tensorflow就像C語言，PyTorch就像Python，如果你和David 9一樣喜歡隨心所欲的體驗，PyTorch更適合你。
在文件幫助上，PyTorch和TensorFlow一樣有豐富的社群支援。和TensorFlow一樣，PyTorch的計算單位也是一個Tensor（張量），其內部也有一個計算圖（graph），只是它的變數有自動求梯度的功能（）：
最值得注意的是，Tensorflow的計算圖Graph是靜態的，而PyTorch的Graph是動態的：
如上圖，你每寫一行程式碼，都會在PyTorch的Graph上加一個實實在在的變數，並且可以馬上進行計算：
上面定義的兩個PyTorch的Tensor瞬間就可以計算出結果 z = [5,7,9].
而在TF中可不是這樣的，我們以前講過Tensorflow是要資料流過Graph時在有實際計算的，如你只是定義Graph，TF是不會進行計算的：
TF中構建的流圖只是一個內部佔位的Tensor，需要後期編譯Graph後，用TF session進行計算（當然靜態圖也是有優勢的，它可以專門優化一些程式碼和裝置）：
PyTorch中Debug也非常直接，可以在任意位置插入pdb斷點：
對於GPU的支援，PyTorch也很隨意，可以在任意變數指定是否用GPU計算：
PyTorch的Dynamic Graph（動態圖）還有一個優勢是可以Dynamic Batching（動態大小地輸入Batch）。也許在視覺領域我們每次Input的一個batch都是一個size的，而在RNN和NLP自然語言領域完全不是那麼回事，我們經常每次輸入一個句子（sentence）的單詞長度是不同的，下面就是一個單詞樹的例子：
單詞樹的大小每次都是不一樣的（也就是每次batch size是不一樣的），但是PyTorch內部的動態圖允許我們跑模型的時候，每次的輸入層都不一樣。這個idea本身似乎是來自Tensorflow Fold這個專案。而在PyTorch中動態Dynamic Batching顯得更成功。
參考文獻：
- www.reddit.com/r/Python/co…
- www.youtube.com/watch?v=LEk…
- PyTorch — Dynamic Batching
- www.slideshare.net/lymanblueLi…
- discuss.pytorch.org/t/about-the…
本文采用署名 – 非商業性使用 – 禁止演繹 3.0 中國大陸許可協議進行許可。著作權屬於“David 9的部落格”原創，如需轉載，請聯絡微信: david9ml，或郵箱：yanchao727@gmail.com
或直接掃二維碼:
