经验 | Pytorch还是Tensorflow？英伟达工程师帮你总结了

翻译 | AI科技大本营（rgznai100）

参与 | reason_W

本文作者Dominic Monn，是NVIDIA机器学习工程师。在本文中，作者讲述了自己在深度学习过程中使用PyTorch和TensorFlow的一些实际体会，他从安装、使用、文档、社区和工具五个角度，比较了PyTorch和TensorFlow的优点和不足。

作者此前一直是TensorFlow用户，不过出于工作考虑，加入NVIDIA时，决定改用PyTorch，也就有了对比PyTorch和TensorFlow这篇文章。

PyTorch简单的安装方式、Python化的使用风格，以及比TensorFlow稍快一些的运算速度非常适合工作之外的空闲时间使用。对于想入坑的童鞋来说，这篇文章具有很好的借鉴意义。

安装

PyTorch的安装非常简单。用户可以通过PIP进行安装，也可以从源代码构建。PyTorch还提供了Docker镜像，可以作为您自己的项目的基础镜像。

但是PyTorch没有像TensorFlow那样有专门的CPU和GPU的版本。虽然这样会让安装更容易，但是如果想要同时支持CPU和GPU使用的话，就会需要生成更多代码。

还有一点需要注意的是，PyTorch还没有提供官方的分发渠道。虽然有Windows的非官方端口，但是没有来自PyTorch的支持。

用法

PyTorch提供了一个非常Python化的 API。TensorFlow则需要用户定义所有的Tensors和Graph，然后在会话中运行它。

在我看来，这会带来更多，但也更清洁的代码。 PyTorch图必须在继承自PyTorch nn.Module的类中定义。当运行Graph时，将调用forward() 函数。通过这种“约定配置”的方法，将保证graph的位置总是已知，而不用定义其余代码中的变量。

这种“新”方法需要一些时间才能习惯，但我认为，如果您之前在深度学习之外使用过Python，这会非常简单的。

从一些评论来看，PyTorch与TensorFlow相比，在许多模型上也表现出了更好的性能。

文档

PyTorch文档的大部分已经完成。我在使用过程中，还没有碰到过找不到函数定义或模块的情况。与TensorFlow的所有函数都有一个独立页面不同，PyTorch每个模块仅仅有一页文档。如果你之前一直使用Google风格的编程工具，那么在PyTorch中寻找函数的话，会有点儿困难。

社区

显然，PyTorch的社区并不像TensorFlow那么大。然而，在空闲时间许多人还是喜欢PyTorch，即使在上班时间他们要使用TensorFlow。一旦PyTorch开始完成公测，推出正式版本，我相信Pytorch的社区现状就会改变。而且目前，在PyTorch社区里想发现老司机还有一点难度。

只有社区足够大，官方论坛中的问题才会比较快速的得到一个答案，并且完善很多神经网络示例的PyTorch版本。

工具和助手

尽管PyTorch提供了相当数量的工具，但一些非常有用的工具却十分缺少。尤其是缺少一个像TensorFlow里的TensorBoard那样强有力的工具。这就使得可视化比较困难。

还有一些非常常见的辅助工具也比较缺乏。这需要比TensorFlow更多的自写代码。

结论

如果你想换掉TensorFlow，那么PyTorch绝对是最佳选择。由于PyTorch还处于测试阶段，我希望它可以在可用性，文档和性能等方面有更多的改变和提升。

PyTorch是非常python化的工具，用起来感觉也很舒服。它有一个很好的社区和文档，而且运行起来也被认为比TensorFlow快。

当然，与TensorFlow相比，PyTorch的社区仍然相对较小，并且缺少一些有用的工具，例如像TensorBoard这样的可视化工具。

关于PyTorch和TensorFlow，你有什么使用心得，欢迎在评论区分享你的经验。